SKASNet:用于语义分割的轻量级卷积神经网络

摘要：

多数语义分割模型中的每个卷积层仅采用单一大小的感受野,不利于模型提取多尺度特征.为此,使用选择核卷积构建一个新的残差模块SKAS,通过调节感受野的大小获得多尺度信息.同时,提出一种逐层分组卷积并构建轻量级网络结构SKASNet,在连续的SKAS模块中分别使用不同的分组数,从而以相对平滑的方式降低网络参数量并增强不同分组之间的信息交流.在Cityscapes数据集上的实验结果表明,该网络模型仅有1.7M的参数量,分割精度达到68.5％,与SegNet、ICNet和PSPNet等模型相比,其能够在大幅降低网络参数量的同时取得良好的分割效果.

关键词：卷积神经网络、语义分割、选择核卷积、逐层分组卷积、轻量级网络模型

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61772272

在线出版日期：2020-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：261-267