摘要

我们提出TDNet，一种用于快速且精准视频语义分割的时序分布网络。我们观察到，深度卷积神经网络（CNN）中某一高层特征层的特征，可通过组合多个浅层子网络提取的特征来近似表示。利用视频中固有的时序连续性，我们将这些子网络分布于连续的视频帧上。因此，在每个时间步，仅需执行轻量级计算，从单一子网络中提取一组子特征。随后，通过引入一种新颖的注意力传播模块，将这些子特征重新组合，以补偿帧间存在的几何形变。此外，我们还设计了一种分组知识蒸馏损失函数，进一步提升了整体特征与子特征层面的表示能力。在Cityscapes、CamVid和NYUD-v2数据集上的实验表明，本方法在显著提升运行速度与降低延迟的同时，实现了当前最优的分割精度。