基于稠密扩张卷积的图像语义分割模型

摘要：

为解决图像语义分割任务中面对的分割场景的复杂性、分割对象的多样性及分割对象空间位置的差异性问题, 提高语义分割模型的精度, 提出基于稠密扩张卷积的双分支多层级语义分割网络(double branch and multi-stage network, DBMSNet). 首先采用主干网络提取输入图像的4个不同分辨率的特征图(De1、De2、De3、De4),其次采用特征精炼(feature refine, FR)模块对De1和De3这两个特征图进行特征精炼处理, 特征精炼处理之后的输出分支经过混合扩张卷积模块(mixed dilation module, MDM)编码空间位置特征, De4分支采用金字塔池化模块(pyramid pooling module, PPM)编码高级语义特征, 最后将两个分支进行融合, 输出分割结果. 在数据集CelebAMask-HQ和Cityscapes中进行实验, 分别得到mIoU精度为74.64％、78.29％. 结果表明, 本文方法的分割精度高于对比方法, 且具有更少的参数量.

关键词：深度学习;图像语义分割;扩张卷积;稠密连接;多层级特征

所属期刊栏目：31

资助基金：浙江省重点研发计划2020C03094

在线出版日期：2022-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：19-29