摘要

在缺乏预训练权重且数据量较少的情况下，深度神经网络的训练通常需要更多的迭代次数。此外，已有研究表明，对于语义分割任务，深层模型相较于浅层模型具有更优的性能。为此，本文提出 EfficientSeg 架构，这是一种对 U-Net 进行改进并具备良好可扩展性的版本，即使在深度较大的情况下仍能实现高效训练。我们在 Minicity 数据集上对 EfficientSeg 架构进行了评估，在保持与 U-Net 相同参数量（51.5% mIoU）的前提下，显著超越了 U-Net 基线性能（40% mIoU）。其中表现最佳的模型达到了 58.1% 的 mIoU 分数，并在 ECCV 2020 VIPriors 挑战赛的语义分割赛道中位列第四。