分解多空洞深度卷积的轻量级图像语义分割

为了降低图像语义分割网络的模型复杂度,提出了分解多空洞深度卷积的轻量级图像语义分割模型。首先,针对大小不一的多目标,用感受野不同的金字塔结构提取图像语义特征,在深度卷积过程中对空洞卷积进行分解,以降低参数量和计算量;其次,对不同阶段得到的特征图进行融合,利用子像素卷积进行上采样,将提取的低分率图插入到最后输出的高分辨率特征图中,以改善图像语义分割的精准性;最后,在CamVid数据集上和现有的9种方法进行对比实验,结果表明,该方法参数量和计算量都相对较低,同时语义分割精准性得以提升。

空间和通道注意力多级别特征网络图像语义分割

图像语义分割模型在提取特征的过程中由于不断的下采样使得空间位置丢失,分割效果较差,针对该问题,提出了融合空间和通道注意力多级别特征来构造学习网络的方法。首先针对具有高级别特征的语义信息路径引入了通道注意力模块,在预训练模型Resnet101提取的特征图上,显式地建模通道之间的相互依存关系,确定每层特征图上需要重点关注的内容,协助完成目标识别任务;其次针对具有低级别特征的空间信息路径引入空间注意力模块,在保留了丰富空间信息的特征图上提取空间注意力矩阵,并将提取的空间注意力矩阵作用于语义信息路径的相应特征图上,以确定需要重点关注的位置,协助完成目标定位任务。最后在CamVid数据集上进行实验,所提方法具有良好表现。