摘要
本文介绍了一种名为ShelfNet的新颖架构，用于实现快速且准确的语义分割。与单一的编码器-解码器结构不同，ShelfNet在每个空间层次上都具有多个带有跳过连接的编码器-解码器分支对，其结构类似于多列货架。这种货架状结构可以视为多个深浅路径的集成，从而提高了准确性。我们通过减少通道数量显著降低了计算负担，同时凭借这一独特结构实现了高精度。此外，我们在残差块中提出了一种共享权重策略，该策略在不牺牲性能的前提下减少了参数数量。与PSPNet等流行的非实时方法相比，我们的ShelfNet在PASCAL VOC数据集上以相似的精度实现了4倍更快的推理速度。与BiSeNet等实时分割模型相比，我们的模型在Cityscapes数据集上以相当的速度实现了更高的精度，适用于自动驾驶中的街景理解等对速度有较高要求的任务。此外，我们的ShelfNet使用ResNet34作为骨干网络，在Cityscapes数据集上达到了79.0%的mIoU（平均交并比），优于使用较大骨干网络如ResNet101的PSPNet和BiSeNet。通过广泛的实验验证，我们证明了ShelfNet的优越性能。我们提供了实现代码的链接：\url{https://github.com/juntang-zhuang/ShelfNet-lw-cityscapes}。