ENet —一种针对实时语义分割的深度神经架构

本文为 AI 研习社编译的技术博客，原标题 ： ENet — A Deep Neural Architecture for Real-Time Semantic Segmentation 作者 | Arunava 翻译 | callofduty890 校对 | 酱番梨 审核 | Pita 整理 | 立鱼王 原文链接： https://towardsdatascience.com/enet-a-deep-neural-architecture-for-real-time-semantic-segmentation-2baa59cf97e9 注：本文的相关链接请点击文末【阅读原文】进行访问

Fig 1. A conversation between a semantic segmented guy and a toon

这是该论文的论文摘要：

ENet：用于实时语义分割的深度神经网络体系结构

作者：Adam Paszke

论文：https://arxiv.org/abs/1606.02147

概论

ENet（高效神经网络）提供了实时按像素进行语义分割的能力。 ENet的速度提高了18倍，FLOP要求减少了75倍，参数减少了79倍，并且为现有模型提供了类似或更好的精度。 在CamVid，CityScapes和SUN数据集上测试。

方法：

图3. ENet架构

以上是完整的网络架构。

它分为几个阶段，由表格中的水平线和每个块名称后的第一个数字突出显示。 报告输出尺寸为输入图像分辨率512 * 512

图4. ENet的每个模块都有详细说明

视觉表现：

- 初始模块是（a）中所示的模块 - 并且瓶颈模块显示在（b）

每个瓶颈模块包括：

- 1x1投影，降低了维度 - 主卷积层（conv）（ - 常规，扩张或完整）（3x3） - 1x1扩展 - 并且它们在所有卷积层之间放置批量标准化和PReLU

如果瓶颈模块是下采样，则将最大池化层添加到主分支。 此外，第一个1x1投影被替换为2x2卷积，stride = 2。

它们将激活无填充以匹配要素图的数量。 conv有时是不对称卷积，即5 * 1和1 * 5卷积的序列。 对于正则化器，他们使用Spatial Dropout： - 在瓶颈2.0之前p = 0.01 - 完成之后p = 0.1 所以，

1. 阶段1,2,3-编码器 - 由5个瓶颈模块组成（除了阶段3没有下采样）。
2. 阶段4,5-解码器 - 阶段4包含3个瓶颈，阶段5包含2个瓶颈模块
3. 接下来是一个fullconv，它以尺寸输出最终输出 - C * 512 * 512，其中C是滤波器的数量。

还有一些事实：

- 他们没有在任何预测中使用偏见项 - 在每个卷积层和激活之间，它们使用批量标准化 - 在解码器中，MaxPooling被MaxUnpooling取代 - 在解码器中，Padding被替换为Spatial Convolution而没有偏差 - 在最后一个（5.0）上采样模块中不使用池化索引 - 网络的最后一个模块是一个裸完全卷积，它占据了处理时间的大部分解码器。 - 每个侧支有一个空间丢失，第1阶段p = 0.01，之后阶段p = 0.1。

结果

对ENet的表现进行了基准测试

- CamVid（道路场景） - CityScapes（道路场景） - SUN RGB-D（室内场景）

使用SegNet [2]作为基线，因为它是最快的分割模型之一。 使用cuDNN后端使用Torch7库。 使用NVIDIA Titan X GPU以及NVIDIA TX1嵌入式系统模块记录推理速度。 输入图像大小为640x360，速度超过10fps。

图5.使用SegNet作为基线的两个不同GPU的推理时间比较

图6. SegNet和ENet的硬件要求

基准

使用 Adam.ENet非常快速地融合，在每个数据集上，使用4个Titan X GPU，训练只需要3-6个小时。

分两个阶段进行： - 首先，他们训练编码器对输入图像的下采样区域进行分类。 - 然后附加解码器并训练网络以执行上采样和像素分类。 学习率 - 5e-4 L2重量衰减为2e-4 批量大小为10

自定义类权重方案定义为

图7所示。自定义类权重方案的公式

其中c = 1.02 并且类权重被限制在[1,50]的区间内

图8. CityScapes数据集的性能

图9. CamVid数据集的性能

参考:

A. Paszke, A. Chaurasia, S. Kim, and E. Culurciello. Enet: A deep neural network architecture for real-time semantic segmentation. arXiv preprint arXiv:1606.02147, 2016.

V. Badrinarayanan, A. Kendall, and R. Cipolla, “Segnet: A deep convolutional encoder-decoder architecture for image segmentation,” arXiv preprint arXiv:1511.00561, 2015.

我最近还转载了这篇论文，可以在这里找到:

https://github.com/iArunava/ENet-Real-Time-Semantic-Segmentation