基于改进SOLOv2的街道场景图像实例分割

在复杂场景下,实时图像识别面临精度和效率之间的平衡与挑战问题,而基于深度学习的图像实例分割方法是解决问题的关键。文章构建了基于改进SOLOv2的实例分割网络模型,提出了基于位置注意力的跨阶段融合主干网络,不仅提高了图像实例分割精度,还减少了模型计算量。同时,设计了跨阶段掩码特征融合,提升了小目标识别率;提出了自适应最小损失匹配方法,提升了遮挡目标的分割精度。最后,利用COCO数据集进行性能测试,结果表明:改进SOLOv2实例分割模型的分割精度较其他模型提升超过2.5%。