改进UNet的轻量化道路图像语义分割算法

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。

基于BERT和改进胶囊网络的关系分类方法

针对关系分类主流模型中存在的空间信息丢失和旋转不变性差的缺点,提出一个基于BERT和多头注意机制-胶囊网络(MA-CapsNet)的算法模型.该模型首先在句子的实体两端插入特殊符号,增强模型对实体信息的表示能力,再通过预训练的BERT语言模型获得包含上下文信息的语义向量表示,然后传入改进后的注重空间位置信息的胶囊网络中学习句子的语义特征并分类.同时引入多头注意力机制进一步提升模型的分类效果.在SemEval-2010 task 8关系分类数据集上,该算法模型取得了90.15%的宏F值.实验表明该模型架构能强化对句子语义特征的捕捉,改善关系分类任务的分类效果.