基于AD-SegNet模型的苗族服饰图案分割方法研究

针对苗族服饰图案纹理多元化、形状不规则问题,提出了注意力特征融合的深度过参数化卷积语义分割网络(a deep over-parameterized convolutional semantic segmentation network for attentional feature fusion,AD-SegNet)模型。在传统卷积操作中增加深度卷积操作,加快了模型的收敛速度,提高了模型的分割性能。针对苗族服饰图案色彩差异大的问题,引入了注意力特征融合(attentional feature fusion,AFF),通过融合不同卷积层输出之间的特征信息,加强对特征信息的提取,减少色彩差异给网络学习带来的影响。实验结果表明,AD-SegNet模型性能优于其他对比模型,能有效对苗族服饰图案进行分割,与语义分割网络(semantic segmentation network,SegNet)基准模型相比,在像素准确率(pixel accuracy,PA)、交并比(intersection over union,IoU)、戴斯相似系数几个指标上分别提升了0.0447、0.0921、0.0542,为少数民族服饰图案分割研究提供了有效可行的方法。

基于DCF-DeepLab网络的图像语义分割研究

针对DeepLabv3中存在的图像小目标信息易丢失、训练时效长、目标边界分割粗糙等问题,提出了一种基于双注意力交叉融合的DCF-DeepLab图像语义分割网络。该网络设计了基于注意力机制的特征融合模块,分别在2、4、8倍下采样特征图上使用该模块,融合浅层特征以弥补深层特征的不足;在主干特征提取网络部分引入轻量级网络MobileNetV3-Large,减少模型推理时间;在ASPP模块嵌入多个注意力模块和串联结构,增强网络细节特征提取能力。通过在PASCAL VOC 2012数据集上的实验结果表明,该网络可有效提升图像语义分割性能,具有一定应用潜力。