一种超轻量级指静脉纹络实时分割网络
现有的指静脉分割网络大多需要消耗极大内存和计算资源,难以直接部署到嵌入式平台上,大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题.针对上述问题,本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet.首先,使用沙漏状的深度可分离卷积极大地减少基础模型参数,并采用轻量级高效注意力模块实现无降维的局部跨通道交互,提升网络分割性能.其次,为了解决部分特征图存在冗余的问题,使用Cheap operation来替代部分"懈怠"的卷积核,得到相似的特征图.最后,采用特征信息交互的方法,打开分组卷积的组间通道,解决了分组特征组之间信息不流通的问题.与传统Unet分割网络相比,最终的SGUnet模型参数量约为传统Unet分割网络的1％,Mult-Adds约为0.5％.在两个公开的手指静脉数据集SDU-FV、MMCBNU-6000上验证网络性能,结果表明SGUnet网络在分割性能上不仅优于大型分割网络Unet、DU-Net、R2U-Net,而且超越了经典轻量级改进模型squeeze-Unet、Mobile-Unet、shuffle-Unet、Ghost-Unet.SGUnet网络Accuracy、Dice、AUC分别达到94.11％、0.5384、0.9354,并且在NVIDIA嵌入式平台上指静脉纹络提取的测试速度高达0.27秒/张.
手指静脉分割、轻量级网络、嵌入式平台、模型压缩、实时分割网络、图像分割、卷积神经网络
51
TP391(计算技术、计算机技术)
国家自然科学基金;广东普通高校人工智能重点领域专项;广东省数字信号与图像处理技术重点实验室开放基金;广东普通高校重点领域专项;广东省基础与应用基础研究基金;广东省基础与应用基础研究基金;江门市基础与理论科学研究类科技计划项目
2022-04-08（万方平台首次上网日期，不代表论文的发表时间）
共16页
279-294
