基于特征增强和校准的航拍车辆实例分割方法

针对航拍车辆实例分割任务中存在的车辆分布密集,遮挡,尺度变化大等挑战,提出了基于特征增强和校准的航拍车辆实例分割方法。首先,针对骨干网络提取的特征,为了充分利用其中的高层语义特征,提高不同尺度车辆的预测效果,提出多尺度语义增强模块(MSEM)。MSEM添加到特征金字塔结构最高层,通过密集连接多个不同空洞率的空洞卷积块,融合多尺度特征并使用空间注意力抑制冗余信息,减少了高层语义特征的损失,提高了特征的多尺度适应性。其次,针对特征金字塔融合后的特征,为了捕获全局特征的上下文信息,提高小尺度车辆的预测效果,同时抑制局部特征中遮挡问题引入的干扰噪声,提出全局-局部特征校准模块(GLFCM),GLFCM由全局特征校准模块(GFCM)和局部特征校准模块(LFCM)构成。GFCM使用通道注意力和自注意力实现特征层级间充分的信息交互和校准,构建全局特征图之间的依赖关系,充分挖掘了全局上下文信息;LFCM对各层级的特征分别使用多头自注意力机制Trans⁃former进行处理,LFCM中的Transformer经过了线性化近似,相较于原始Transformer,极大减少了计算量,同时对局部特征中的遮挡干扰具有较好的抑制效果。使用航拍车辆实例分割数据集UVSD进行实验验证,所提方法对于一阶段实例分割网络YOLACT分割精度提高了5.1%,对于双阶段实例分割网络Mask R-CNN分割精度提高了2.9%,对于多阶段实例分割网络Cascade Mask R-CNN分割精度提高了1.6%,表明所提方法能显著提升航拍车辆实例分割效果。