结合特征图切分的图像语义分割
目的 基于全卷积神经网络的图像语义分割研究已成为该领域的主流研究方向.然而,在该网络框架中由于特征图的多次下采样使得图像分辨率逐渐下降,致使小目标丢失,边缘粗糙,语义分割结果 较差.为解决或缓解该问题,提出一种基于特征图切分的图像语义分割方法 .方法 本文方法 主要包含中间层特征图切分与相对应的特征提取两部分操作.特征图切分模块主要针对中间层特征图,将其切分成若干等份,同时将每一份上采样至原特征图大小,使每个切分区域的分辨率增大;然后,各个切分特征图通过参数共享的特征提取模块,该模块中的多尺度卷积与注意力机制,有效利用各切块的上下文信息与判别信息,使其更关注局部区域的小目标物体,提高小目标物体的判别力.进一步,再将提取的特征与网络原输出相融合,从而能够更高效地进行中间层特征复用,对小目标识别定位、分割边缘精细化以及网络语义判别力有明显改善.结果 在两个城市道路数据集CamVid以及GATECH上进行验证实验,论证本文方法 的有效性.在CamVid数据集上平均交并比达到66.3％,在GATEHH上平均交并比达到52.6％.结论 基于特征图切分的图像分割方法,更好地利用了图像的空间区域分布信息,增强了网络对于不同空间位置的语义类别判定能力以及小目标物体的关注度,提供更有效的上下文信息和全局信息,提高了网络对于小目标物体的判别能力,改善了网络整体分割性能.
深度学习、全卷积神经网络、语义分割、场景解析、特征切分、多尺度、特征复用
24
TP309(计算技术、计算机技术)
国家自然科学基金项目61472422
2019-04-30（万方平台首次上网日期，不代表论文的发表时间）
共10页
464-473
