ICNet 是一個既考慮性能，又考慮準確率的分割網絡，包含了語義分割和邊緣精確分割，因為偶然看到就簡單的了解一下，記錄下來

論文是: ICNet for Real_time Semantic Segmentation on High Resolution Images，整篇文章都在講如何在分割的過程中，減少前向計算的時間，同時保證一定的accuracy。

首先提到了目前的Inference time for most popular group of seg nets

可以看到PSPNet, ResNet等，在精確率上很高，但是單張前向計算速度相對很慢，而ENet則速度快而精確度不理想。

ICNet的目標是能在單張檢測上達到Real_time的速度，而保證一定的精確率。

ICNet的整個網絡如下：

對一張原尺寸的圖像進行壓縮，1/2， 1/4比例，然后分別進行卷積，再把1/4的feature map 和1/2的做CFF處理，同樣把1/2最后一層的Feature map 和原圖的進行CCF處理，而原圖的卷積則遵守了一般分割網絡的特點，即desampling and then upsamping。

大致看了一下論文，原圖那一層是用來做語義分析的，而剩下兩層則用來作邊緣的特征提取。

CCF是Cascade Feature Fusion，也就是特征融合的操作。

?

看一下三層的效果，用了cityscape的數據集：

?

整個網絡的深度還是可以的：

部署到linux上caffe，from?https://github.com/BassyKuo/PSPNET-cudnn5.git， 此版本為CUDA8.0版本，原版只支持7.0

編譯了一下，需要Matlab, 或者octive， 以及matio等，需要預先進行安裝。

大概的用github上提供的腳本測試了一下速度， 單個GPU Nvidia Titan的速度大約是：44ms/張，速度還是相當快的，后續由于要在CPU上使用，準備對他進行進一步優化

?

轉載于:https://www.cnblogs.com/ChrisInsistPy/p/9917842.html

總結

以上是生活随笔為你收集整理的Caffe学习记录(十一) ICNet分割网络学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。