導讀

在CV領(lǐng)域的很多應用中，比如工業(yè)質(zhì)檢、遙感圖像、自動駕駛，圖像分割是非常關(guān)鍵的技術(shù)。在這個過程中，速度和精度都是需要考慮的因素，而如何從網(wǎng)絡設計、模型部署方面進行創(chuàng)新提升，PP-LiteSeg會從項目應用、代碼實戰(zhàn)等角度給出詳細的行業(yè)分享。

支撐影視人像摳圖、醫(yī)療影像分析、自動駕駛感知等萬億級市場背后的核心技術(shù)是什么？那就要說到頂頂重要的圖像分割技術(shù)。相比目標檢測、圖像分類等技術(shù)，圖像分割需要將每個像素點進行分類，在精細的圖像識別任務中不可替代，也是智能視覺算法工程師擁有關(guān)鍵核心競爭力的關(guān)鍵！

圖1 圖像分割應用 正因如此，DeepLabv3、OCRNet、BiseNetv2、Fast-SCNN等優(yōu)秀算法層出不窮，然而在實際產(chǎn)業(yè)落地過程中往往需要綜合考慮硬件性能、精度等多方面因素，對算法的需求也是苛刻的。往往業(yè)界算法在保障高識別精度的情況下，就會犧牲算法運行速度；反之追求速度，則會帶來精度的大幅度損失。

圖2 各算法速度與精度平衡情況示意 如何能同時實現(xiàn)速度和精度的均衡，在當前云、邊、端多場景協(xié)同的產(chǎn)業(yè)大趨勢下高標準滿足產(chǎn)業(yè)需求，是各屆研究人員致力投入的方向。 PP-LiteSeg就是這樣一個同時兼顧精度與速度的SOTA（業(yè)界最佳）語義分割模型。它基于Cityscapes數(shù)據(jù)集，在1080ti上精度為mIoU 72.0時，速度高達273.6 FPS, （mIoU 77.5 時，F(xiàn)PS為102.6），超越現(xiàn)有CVPR SOTA模型STDC，真正實現(xiàn)了精度和速度的SOTA均衡。

圖3PP-LiteSeg精度/速度說明 空口無憑，歡迎優(yōu)秀的你直接試用?。ㄓ浀肧tar收藏跟進最新狀態(tài)）傳送門：https://github.com/PaddlePaddle/PaddleSeg

更值得令人驚喜的是，PP-LiteSeg不僅在開源數(shù)據(jù)集評測效果優(yōu)秀，在產(chǎn)業(yè)數(shù)據(jù)集也表現(xiàn)出了驚人的實力！例如在質(zhì)檢、遙感場景，PP-LiteSeg的精度與高精度、大體積的OCRNet持平，而速度卻快了近7倍！??！

圖4 PP-LiteSeg和OCRNet 在某工業(yè)質(zhì)檢數(shù)據(jù)集識別情況對比

圖4 PP-LiteSeg和OCRNet 在deepglobe數(shù)據(jù)集識別情況對比 那PP-LiteSeg為何可以擁有這么優(yōu)秀的效果呢？ PP-LiteSeg提出三個創(chuàng)新模塊：靈活的解碼模塊（FLD）、注意力融合模塊（UAFM）、簡易金字塔池化模塊（SPPM）。FLD靈活調(diào)整解碼模塊中通道數(shù)，平衡編碼模塊和解碼模塊的計算量，使得整個模型更加高效；UAFM模塊效地加強特征表示，更好地提升了模型的精度；SPPM模塊減小了中間特征圖的通道數(shù)、移除了跳躍連接，使得模型性能進一步提升。

圖5 PP-LiteSeg 模型結(jié)構(gòu)和優(yōu)化點 正是基于這些模塊的設計與改進，最終PP-LiteSeg超越其他方法，在1080ti上精度為mIoU 72.0時，速度高達273.6 FPS , （mIoU 77.5 時，F(xiàn)PS為102.6），實現(xiàn)了精度和速度的SOTA平衡。
為了讓開發(fā)者們更深入的了解PP-LiteSeg這個SOTA模型，解決落地應用難點，掌握產(chǎn)業(yè)實踐的核心能力，飛槳團隊精心準備了精品直播課！

審核編輯 ：李倩