语义分割--Efficient Deep Models for Monocular Road Segmentation
Efficient Deep Models for Monocular Road Segmentation
code: https://lmb.informatik.uni-freiburg.de/Publications/2016/OB16b/
针对路面检测和分割问题,本文结合FCN 和 U-Net 提出一个网络 Up-Convolutional Networks,在速度和精度方面得到不错的效果
KITTI benchmark lane/road segmentation tasks,分为三类:背景,路面,车道线
Up-Convolutional Network 网络结构设计主要参考 FCN
网络具体参数设置:
C. Optimizing the Use of Parameters
我们做的主要改进在一下几个方面:
1)Parameter reduction: FCN 在特征提取阶段使用了 VGG16 作为基础,这个网络有4096个 7*7 大小的滤波器,这个大尺寸滤波器计算量比较大。 这里我们将 FC-conv 的滤波器数量从 4096 降低到 1024, 滤波器尺寸由 7*7 变为 3*3, 这样网络的参数减少一些,计算量也相应降低,当然精度有所下降,我们在网络的其他地方来提高精度。
2) New refinement to improve system accuracy: 这里主要是参考 U-Net 设计思想,增加了网络放大层的宽度, we increase the width of the up-convolutional side of the network。 Previously our network has a 1 − to − 1 mapping, each refinement has the same number of filters and classes ( N_cl ).
D. Data Augmentation
Scaling: scale the image by a factor between 0.7 and 1.4;
• Color: Add a value between −0.1 and 0.1 to the hue channel of the HSV representation.
Rotation and cropping 不适合路面检测情况,所以没有使用
E. Network Training
训练采用了分阶段进行,每个阶段在一个 Titan X GPU 使用了一天时间,总共使用了5天训练了整个网络
实验结果:
语义分割--Efficient Deep Models for Monocular Road Segmentation相关推荐
- 【语义分割】CVPR2021_Rethinking BiSeNet For Real-time Semantic Segmentation
文章目录 一.背景 二.动机 三.方法 3.1 Design of Encoding Network 3.2 Decoder 四.实验 4.1 消融实验 4.2 和 SOTA 方法对比 Paper: ...
- ECCV2020语义分割——Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds
Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds Abstract (一) Introducti ...
- 语义分割--Attention to Scale: Scale-aware Semantic Image Segmentation
Attention to Scale: Scale-aware Semantic Image Segmentation CVPR2016 http://liangchiehchen.com/proje ...
- 语义分割--Label Refinement Network for Coarse-to-Fine Semantic Segmentation
Label Refinement Network for Coarse-to-Fine Semantic Segmentation https://www.arxiv.org/abs/1703.005 ...
- 【语义分割】Fully Attentional Network for Semantic Segmentation
文章目录 一.背景和动机 二.方法 三.效果 本文收录于 AAAI2022 一.背景和动机 语义分割中,non-local (NL)的方法起到了很好了捕捉 long-range 信息的作用,大致可分为 ...
- 语义分割--Efficient and Robust Deep Networks for Semantic Segmentation
Efficient and Robust Deep Networks for Semantic Segmentation Code: https://lmb.informatik.uni-freibu ...
- 语义分割 DeepLabv3--Rethinking Atrous Convolution for Semantic Image Segmentation
Rethinking Atrous Convolution for Semantic Image Segmentation https://arxiv.org/abs/1706.05587v1 代码还 ...
- 【语义分割】DUC -- Understand Convolution for Semantic Segmentation
参考:Understand Convolution for Semantic Segmentation
- 【论文汇总】Semantic-Segmentation(语义分割)
语义分割 关于语义分割的所有论文和资源的列表. 数据集重要性 语义分割-深度学习 DL模型语义分割的若干实现 数据集 voc2012 CitySpaces Mapillary ADE20K PASCA ...
最新文章
- java string问题_Java关于String的问题?
- 使用 bash 脚本把 AWS EC2 数据备份到 S3
- x86汇编语言-从实模式到保护模式----第五章
- 【全观测系列】Elasticsearch应用性能监控实践
- python逐行打印_python中逐行打印
- fusionjs 学习二 核心概念
- gitbook 使用命令
- java仿QQ2.0版(一直忘了更)
- python 时频图_python,地震波形、时频图、频谱图计算和显示软件
- 鹏业安装算量图元属性中的扣除标记功能
- Nebula图数据库
- java判断是否是自然数_java判断输入的是否是自然数
- 基于51单片机制作超声波避障小车+舵机控制
- 工作生活要懂得劳逸结合
- 智能座舱人机交互发展趋势
- 侯捷c++课程学习一
- Base16和Base64不同的用途
- 达人评测 赛扬J4105和赛扬N5095选哪个好
- 在线计算过往日期天数,计算活了多少天
- 被特殊物种序列虚晃一枪的日子
热门文章
- java方法重载和重写在jvm_重载和重写在jvm运行中的区别(一)
- 重磅!中科院白洋研究员加入《宏微名师讲堂》分享高通量分菌技术啦!
- Cell子刊:源自微生物群的醋酸盐能够在健康和疾病期间促进大脑先天免疫系统的代谢适应性...
- 香港中文大学Center for Gut Microbiota Research招聘启事
- 疯狂的消化之旅|消化系统简介
- R画月亮阴晴圆缺:corrplot绘图相关系数矩阵
- 形状相似的物品_废弃物品在体育课中的再利用
- pandas获取dataframe中索引值最大值所在的数据行(get dataframe row of max index value)
- R语言ggplot2可视化:将条形图(bar plot)和线图(line plot)组合在一起并使用双Y轴(double y axis)进行可视化、其中一个Y轴显示为百分比
- R语言应用calibrate包的textxy函数向R原生绘图结果中添加文本标签:添加多个文本标签、改变文本标签的字体、改变文本标签的字体颜色