论文标题：Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes 论文链接：https://arxiv.org/abs/2101.06085 作者单位：哈尔滨工业大学 表现SOTA！其中DDRNet一个版本Cityscapes test上达到109 FPS / 77.4％mIoU！太强了！综合性能优于SFNet、MSFNet和BiSeNetV2等网络。

语义分割是自动驾驶汽车了解周围场景的一项关键技术。对于实际的自动驾驶车辆，不希望花费大量的推理时间来获得高精度的分割结果。使用轻量级架构（编码器-解码器或两条路径）或对低分辨率图像进行推理，最近的方法实现了非常快速的场景解析，甚至在单个1080Ti GPU上以超过100 FPS的速度运行。但是，这些实时方法和基于膨胀主干的模型之间在性能上仍存在明显差距。为了解决这个问题，我们提出了新颖的深度双分辨率网络（DDRNet），用于道路场景的实时语义分割。此外，我们设计了一个新的上下文信息提取器，称为深度聚合金字塔合并模块（DAPPM），以扩大有效的感受野并融合多尺度上下文。我们的方法在Cityscapes和CamVid数据集上都在精度和速度之间实现了最新的最新折衷。特别是，在单个2080Ti GPU上，DDRNet-23-slim在109 FPS的Cityscapes test上达到77.4％的mIoU，在230 FPS的情况下在CamVid test set上可产生74.4％的mIoU。 DDRNet-39在没有利用注意力机制，未对较大的语义分割数据集进行预训练或推理加速的情况下，在Cityscapes上以23 FPS的速度达到80.4％的测试mIoU。通过广泛使用的测试扩充，我们的方法仍优于大多数最新模型，所需的计算量更少。代码和训练有素的模型将公开提供。

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