一、主要思想

本文介绍了一种用于实时精确语义分割的轻量级卷积神经网络FDDWNet。相对于近年来轻量级网络更倾向于采用浅层结构的发展，FDDWNet在保持较快的推理速度和较高的分割精度的同时，努力设计更深层的网络结构。网络使用深度因式膨胀可分离卷积（FDDWC）来学习不同尺度感受野的特征表示，模型参数较少。此外，FDDWNet有多个skip的连接分支，用于从中间卷积层收集上下文线索。实验表明，FDDWNet的模型尺寸仅为0.8M，在1024×512输入图像的单台GTX 2080Ti GPU上实现了60fps的运行速度。综合实验表明，论文提出的模型在Cityscapes和CamVid数据集上，速度和精度权衡方面达到了SOTA。

现有构建轻量级分割网络的方式主要可以分为三类：

（1）基于网络压缩的方法通过剪枝技术去除预训练模型的冗余以提高效率。