推荐论文这个事情，学姐一直在做。毕竟这个是搞科研的必经之路，也是开始了解一个领域的第一步。本文推荐了CV方向图像分割中的实时分割论文。

01

实时分割入门必读2篇

期刊日期：

CVPR2016 ，Enet

论文名称：

ENet: A deep neural network architecture for real-time semantic segmentation

摘要

实时执行逐像素语义分割的能力在移动应用程序中至关重要。

最近针对此任务的深度神经网络的缺点是需要大量浮点运算，并且运行时间长，这阻碍了它们的可用性。

在本文中，我们提出了一种名为 ENet（高效神经网络）的新型深度神经网络架构，专为需要低延迟操作的任务而创建。ENet 最多快18 ×，需要 75 ×少的 FLOPs，有 79 ×更少的参数，并提供与现有模型相似或更好的准确性。我们已经在 CamVid、Cityscapes 和 SUN 数据集上对其进行了测试，并报告了与现有最先进方法的比较以及网络精度和处理时间之间的权衡。

论文链接：

https://arxiv.org/pdf/1606.02147.pdf

2

期刊日期：

VCIP 2017

论文名称：

Linknet: Exploiting encoder representations for efficient semantic segmentation

摘要

作者分析了目前语义分割网络的痛点，不能够real-time，特别是在移动端和嵌入式设备上。因此作者利用encoder-decoder结构设计了参数和计算量较少的LinkNet网络，取得了不错的效果，并兼顾的速度和准确性，并在嵌入式设备TX1上进行了实验。

论文链接：

https://arxiv.org/pdf/1707.03718.pdf

02
旷视实时分割系列佳作一

期刊日期：

ECCV 2018 BiSeNet

论文名称：

Bisenet: Bilateral segmentation network for real-time semantic segmentation

摘要

在本文中，我们用一种新颖的双边分割网络 (BiSeNet) 解决了这个难题。我们首先设计一个小步幅的空间路径来保留空间信息并生成高分辨率特征。同时，采用具有快速下采样策略的上下文路径来获得足够的感受野。在这两条路径之上，我们引入了一个新的特征融合模块来有效地组合特征。所提出的架构在 Cityscapes、CamVid 和 COCO-Stuff 数据集上的速度和分割性能之间取得了适当的平衡。

论文链接：

https://arxiv.org/pdf/1808.00897.pdf

03

旷视实时分割系列佳作二

期刊日期：

CVPR 2019，DFANet

论文名称：

DFANet: Deep feature aggregation for real-time semantic segmentation

摘要：

本文介绍了一种名为 DFANet 的极其高效的 CNN 架构，用于资源约束下的语义分割。

我们提出的网络从单个轻量级主干开始，并分别通过子网络和子级级联聚合判别特征。基于多尺度特征传播，DFANet大幅减少了参数数量，但仍然获得了足够的感受野并增强了模型学习能力，在速度和分割性能之间取得了平衡。

Cityscapes 和 CamVid 数据集的实验证明了 DFANet 的卓越性能，FLOP 减少了 8 FLOP 减少了 2××比现有最先进的实时语义分割方法更快，同时提供可比的准确性。

论文链接：

https://arxiv.org/pdf/1904.02216.pdf

免责声明：所载内容来源互联网，仅供参考。转载稿件版权归原作者和机构所有，如有侵权，请联系我们删除。

想要更多资料吗？关注公众号点击底部菜单“免费资料”进群领资料！