Panoptic-DepLab：自下而上的全景分割的简单、强大和快速基线

程伯文（Bowen Cheng）、柯林斯（Maxwell D.Collins; IEEE/CVF计算机视觉和模式识别会议记录，2020年，第12475-12485页

摘要

在这项工作中，我们引入了Panoptic-DepLab，这是一个简单、强大和快速的全景分割系统，旨在为自下而上的方法建立坚实的基础，该方法可以实现两阶段方法的类似性能，同时产生快速的推理速度。特别是，Panoptic DeepLab分别采用了针对语义和实例分割的双ASPP和双解码器结构。语义分割分支与任何语义分割模型（例如DeepLab）的典型设计相同，而实例分割分支是类认知的，涉及简单的实例中心回归。因此，我们的单个Panoptic-DepLab同时在所有三个城市景观基准中排名第一，在测试集上达到了84.2%mIoU、39.0%AP和65.5%PQ的最新水平。此外，配备MobileNetV3的Panoptic-DepLab几乎可以实时运行单个1025x2049图像（每秒15.8帧），同时在Cityscapes上取得了具有竞争力的性能（测试集上达到54.1 PQ%）。在Mapillary Vistas测试集上，我们的六款车型组合达到42.7%的PQ，以1.5%的健康差距超过2018年的冠军。最后，在具有挑战性的COCO数据集上，我们的Panoptic-DepLab还可以与几种自顶向下的方法媲美。我们首次证明了自下而上的方法可以提供最先进的全景分割结果。

相关材料

[pdf格式][支持][视频]
[围巾]
@会议记录{Cheng_2020_CVPR，
作者={Cheng，Bowen and Collins，Maxwell D.and Zhu，Yukun and Liu，Ting and Huang，Thomas S.and Adam，Hartwig and Chen，Liang-Chieh}，
title={Panoptic-DepLab:自下而上的全景分割的简单、强大和快速基线}，
booktitle={IEEE/CVF计算机视觉和模式识别（CVPR）会议记录}，
月={6月}，
年份={2020年}
}