论文标题：ISDNet: Integrating Shallow and Deep Networks for Efficient Ultra-high Resolution Segmentation

论文链接：https://arxiv.org/pdf/2211.11316

代码链接: https://github.com/cedricgsh/ISDNet

超高分辨率图像分割是一个具备现实意义的问题，在医疗影像、自动驾驶、遥感图像上均有广泛的应用场景。以往的方法大都遵循global-local refinement pipeline 的模式，即将大分辨率图像进行切块再训练。此类方法虽然可以在一定程度上降低内存要求，但不可避免的会消耗过多的计算资源，从而导致推理速度急剧下降！

为此，本文围绕 memory 和 computation 的角度提出了一种新颖的超高分辨率分割框架——ISDNet，它以一种崭新的方式整合了浅层和深层网络，在实现准确分割的同时显着加快了推理速度。此外，为了进一步利用浅层和深层特征之间的关系，作者进一步提出了一种高效的关系感知特征融合模块，以确保整体框架的稳健性。

最后，在 Deepglobe、Inria Aerial 和 Cityscapes 数据集上进行的大量实验表明，所提方法表现强劲。特别地，在 Deepglobe 上以 27.70 FPS 的速度达到了 73.30 mIoU，相比最新 SOTA 速度提高了 172 倍！

内容中包含的图片若涉及版权问题，请及时与我们联系删除