机构名称：
¥ 1.0
摘要 - 优化人工神经网络的计算效率对于资源受限的平台（例如自主驾驶系统）至关重要。为了应对这一挑战，我们提出了一个轻巧的上下文感知网络（LCNET），该网络加速了语义细分，同时在本文中保持了推理速度和细分精度之间的有利权衡。提出的LCNET引入了部分通道转换（PCT）策略，以最大程度地减少基本单元的计算潜伏期和硬件要求。在PCT块中，三个分支的上下文聚合（TCA）模块扩展了功能接收场，从而捕获多尺度上下文信息。此外，双重注意引导的解码器（DD）恢复了空间细节并增强了像素预测的认可。在三个基准上进行的广泛实验证明了拟议的LCNET模型的有效性和效率。值得注意的是，一个较小的LCNET 3_7仅获得了73.8％MIOU，只有51万个参数，分别使用单个RTX 3090 GPU和Jetson Xavier NX，其令人印象深刻的推理速度约为142.5 fps和〜9 fps。更准确的LCNET 3_11版本可以在约117 fps的推理速度下以相同的分辨率达到75.8％MIOU，在城市景观上约为117 fps推理速度。可以在较小的图像分辨率下实现更快的推理速度。LCNET在移动应用程序方案 - iOS的计算效率和预测能力之间取得了巨大的平衡。代码可在https://github.com/lztjy/lcnet上找到。
Guihua Wang实时的表面识别系统，用于可变的双头机器人步行速度lcnet.pdf-科学技术学院
主要关键词
相关文件推荐
