基于密集连接与特征增强的语义分割算法

摘要：

在语义分割算法DeepLabv3+中,由于对主干网络提取的特征信息利用不充分,导致了分割边缘不连续、目标丢失以及分割错误等问题.为此,提出一种基于密集连接和特征增强的语义分割算法.采用共享空洞空间金字塔池化(S-ASPP)模块建立多个空洞卷积之间的联系,增强局部信息之间的语义关联,捕获密集的采样点像素,同时提高对高层特征信息的利用.引入特征金字塔增强模块(FPEM)和特征融合模块(FFM),对主干网络输出的多层特征信息进行处理,增强特征的表达能力,并采用FFM对FPEM输出的不同尺度特征信息进行融合,提高各层特征之间的互补能力,以获得更全面的特征图信息.在此基础上,将S-ASPP和FFM的输出进行拼接和卷积操作,得到最终的分割结果.在PASCAL VOC 2012和Cityscapes数据集上的实验结果表明,该算法的平均交并比分别达到81.13％和73.39％,相较于基准算法DeepLabv3+分别提升了2.3和2.1个百分点,充分利用了骨干网络中的每层特征信息,提升了算法的分割精度,取得了较好的分割效果.

关键词：语义分割、DeepLabv3+算法、空洞空间金字塔池化、特征金字塔增强模块、特征融合

所属期刊栏目：49

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省重点研发计划

在线出版日期：2023-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：263-270