改进UNet的轻量化道路图像语义分割算法

摘要：

针对传统道路图像语义分割方法精度低、速度慢,并且难以部署在移动端设备的问题,提出基于UNet的轻量化语义分割模型Faster-UNet,该模型继承UNet编码-解码的结构特点并兼具多层特征感知能力.针对道路场景景深变化特点,Faster-UNet模型仅进行3次下采样来提取图像特征,在减少了模型参数量的同时,又最大限度保留了物体边缘特征;针对削减深层特征导致的类别模糊问题,在模型拼接编码与解码的部分,使用空间金字塔池化(ASPP)模块提取图像多尺度信息进行特征增强;为了进一步整合各通道特征的权重,在模型解码部分嵌入通道注意力模块,进行特征图权重的自适应调节.所提模型在以上三点创新的基础上,在道路场景Camvid数据集上进行验证实验,结果表明:Faster-UNet的MIoU由UNet的60.5％提升到65.0％,并且模型大小由UNet的118.42 Mb下降至Faster-UNet的20.76 Mb,网络模型性能优良.所提算法在针对道路分割问题优化模型结构的同时提高了分割精度,从而为自动驾驶技术提供了一定的理论基础和工程应用参考.

关键词：道路图像、语义分割、UNet模型、空间金字塔池化、注意力机制、模型性能、自动驾驶

所属期刊栏目：45

分类号：TN911.73-34;TP391.4

资助基金：湖北省技术创新专项重大项目2018ACA13

在线出版日期：2022-10-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：71-76