结合全局注意力机制的实时语义分割网络
针对轻量化网络结构从特征图提取有效语义信息不足,以及语义信息与空间细节信息融合模块设计不合理而导致分割精度降低的问题,本文提出一种结合全局注意力机制的实时语义分割网络(global attention mechanism with real time semantic segmentation network,GaSeNet).首先在双分支结构的语义分支中引人全局注意力机制,在通道与空间两个维度引导卷积神经网来关注与分割任务相关的语义类别,以提取更多有效语义信息;其次在空间细节分支设计混合空洞卷积块,在卷积核大小不变的情况下扩大感受野,以获取更多全局空间细节信息,弥补关键特征信息损失.然后重新设计特征融合模块,引入深度聚合金塔池化,将不同尺度的特征图深度融合,从而提高网络的语义分割性能.最后将所提出的方法在CamVid数据集和Vaihingen数据集上进行实验,通过与最新的语义分割方法对比分析可知,GaSeNet在分割精度上分别提高了 4.29%、16.06%,实验结果验证了本文方法处理实时语义分割问题的有效性.
实时语义分割、全局注意力机制、多尺度特征融合、混合空洞卷积、卷积神经网络、金字塔池化、感受野、特征提取
18
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;河南省高等学校重点科研项目;河南省科技攻关计划项目
2023-04-20(万方平台首次上网日期,不代表论文的发表时间)
共11页
282-292