成人性生交大片免费看一,亚洲精品国产肉丝袜久久,中文字幕日韩欧美就去鲁

本文介紹的論文提出了一種新的實時通用語義分割體系結構RGPNet，在復雜環(huán)境下取得了顯著的性能提升。
作者： Tom Hardy
首發(fā)：3D視覺工坊微信公眾號

論文：RGPNet: A Real-Time General Purpose Semantic Segmentation （文末可下載）
論文鏈接：https://arxiv.org/abs/1912.01394

一、主要思想

本文提出了一種新的實時通用語義分割體系結構RGPNet，在復雜環(huán)境下取得了顯著的性能提升。RGPNet由一個輕量級的非對稱編碼器-解碼器和一個適配器組成。適配器有助于從編碼器和解碼器之間的多層分布式表示中保留和細化抽象概念。它也有助于從較深層到較淺層的梯度流動。大量實驗表明，與目前最先進的語義分割網(wǎng)絡相比，RGPNet具有更好的性能。

此外還證明了在保持性能的同時，使用改進的標簽松弛技術和逐步調(diào)整大小可以減少60%的訓練時間。論文還對應用在資源受限的嵌入式設備上的RGPNet進行了優(yōu)化，使推理速度提高了400%，性能損失可以忽略不計。RGPNet在多個數(shù)據(jù)集之間獲得了更好的速度和精度權衡。

二、創(chuàng)新點

1、提出的RGPNet作為一種通用的實時語義分割體系結構，它可以在單分支網(wǎng)絡中獲得高分辨率的深層特征，從而提高準確性和降低延遲，在復雜的環(huán)境中具有競爭力。

2、引入一個適配器模塊來捕獲多個抽象級別，以幫助細分的邊界細化，適配器還通過添加較短的路徑來輔助漸變梯度流。

3、對于green AI，在訓練期間采用漸進式調(diào)整大小技術，從而使訓練時間和環(huán)境影響減少60%，并且采用一種改進的標簽松弛來消除低分辨率標簽映射中的混疊效應。

4、使用TensorRT（一個高性能深度學習推理平臺）優(yōu)化RGPNet，以便部署在邊緣計算設備上，從而使推理速度提高400%。

5、RGPNet在Cityscpes、CamVid和Mapillary數(shù)據(jù)集上分別實現(xiàn)了Resnet-101作為backbone 下80.9%、69.2%和50.2% mIoU以及Resnet-18作為backbone下74.1%、66.9%和41.7% mIoU。對于1024×2048分辨率的圖像，RGPNet在CityScapes數(shù)據(jù)集上單NVIDIA GTX2080Ti GPU下達到37.4 FPS。

三、網(wǎng)絡結構

RGPNet的整體結構如下所示，每個箭頭都有對應的操作模式：

中間一列操作為編碼器
最右邊操作為解碼器
“+”操作為適配器（Adaptor）

其中“+”詳細操作如下所示：
1、T（：）是一個轉(zhuǎn)換函數(shù)，它用來減少編碼器模塊輸出通道數(shù)量并將其傳輸?shù)絘daptor。
2、D（：）和U（：）是下采樣和上采樣功能。

Adaptor有許多優(yōu)點：

1、Adaptor聚合來自不同上下文和空間級別的特征。
2、通過引入較短的路徑，有助于梯度從較深的層流向較淺的層。
3、Adaptor允許使用輕量解碼器的不對稱設計，這將減少卷積層，進一步增強梯度流。因此，Adaptor使網(wǎng)絡適合于實時應用，因為它在保留空間信息的同時提供了豐富的語義信息。

針對帶標簽松弛的漸進式調(diào)整：

論文采取了最大化像素周圍區(qū)域相似度分布，而不是單個像素級別的標簽最大可能化，針對邊界類別，提出了邊界損失函數(shù)。