10.19554/j.cnki.1001-3563.2022.03.033
基于注意力机制的轻量级RGB-D图像语义分割网络
目的 针对卷积神经网络在RGB-D(彩色-深度)图像中进行语义分割任务时模型参数量大且分割精度不高的问题,提出一种融合高效通道注意力机制的轻量级语义分割网络.方法 文中网络基于RefineNet,利用深度可分离卷积(Depthwise separable convolution)来轻量化网络模型,并在编码网络和解码网络中分别融合高效的通道注意力机制.首先RGB-D图像通过带有通道注意力机制的编码器网络,分别对RGB图像和深度图像进行特征提取;然后经过融合模块将2种特征进行多维度融合;最后融合特征经过轻量化的解码器网络得到分割结果,并与RefineNet等6种网络的分割结果进行对比分析.结果 对提出的算法在语义分割网络常用公开数据集上进行了实验,实验结果显示文中网络模型参数为90.41 MB,且平均交并比(mIoU)比RefineNet网络提高了1.7%,达到了45.3%.结论 实验结果表明,文中网络在参数量大幅减少的情况下还能提高了语义分割精度.
RGB-D图像;语义分割;深度可分离卷积;通道注意力
43
TP391(计算技术、计算机技术)
上海市科学技术委员会科研计划项目18060502500
2022-03-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
264-273