基于无锚框分割网络改进的实例分割方法

摘要：

在无人驾驶应用场景中,现有无锚框实例分割方法存在大目标特征覆盖小目标特征、缺少两阶段检测器中的感兴趣区域对齐操作、忽略类别分支对掩膜分支提供的位置和空间信息等问题,导致特征提取不充分且无法准确获取目标区域.提出一种改进的无锚框实例分割方法.结合可变形卷积,设计编码-解码特征提取网络提取高分辨率特征,以增强对小目标特征的提取能力,并采用空洞卷积和合并连接的方式,在不增加计算量的前提下有效融合多种分辨率的特征.在此基础上,将注意力机制引入到类别分支中,同时设计结合空间信息和通道信息的信息增强模块,以提高目标检测能力.实验结果表明,该方法在COCO 2017和Cityscapes数据集上平均精度和平均交并比分别为41.1％和83.3％,相比Mask R-CNN、SOLO、Yolact等方法,能够有效改进实例分割效果并具有较优的鲁棒性.

关键词：无锚框实例分割、深度学习、编码-解码结构、注意力机制、空洞卷积

所属期刊栏目：48

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;国家自然科学基金;国家自然科学基金;国家自然科学基金;北京市教委项目;北京市教委项目;视觉智能协同创新中心项目;北京联合大学学术研究项目;北京联合大学学术研究项目;北京联合大学学术研究项目;北京联合大学研究生科研创新项目

在线出版日期：2022-09-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：239-247,253