DeepLabv3+是目前语义分割领域最为先进的模型之一,Google将DeepLabv3模型作为编码器的基础上创新性的加入解码器结构,强化了模型恢复空间分辨率与位置信息的能力,显著提升了分割效果,并在PASCAL VOC2012数据集上达到了SOTA(State Of Th...DeepLabv3+是目前语义分割领域最为先进的模型之一,Google将DeepLabv3模型作为编码器的基础上创新性的加入解码器结构,强化了模型恢复空间分辨率与位置信息的能力,显著提升了分割效果,并在PASCAL VOC2012数据集上达到了SOTA(State Of The Art)。但模型仍然保留在编码器中引入下采样和空洞卷积进行特征提取,造成大量细节信息丢失,最终导致图像的边缘分割效果不佳。本文提出一种Deep Labv3+结合分数阶(微分)边缘检测的语义分割模型,采用分数阶滑动阈值边缘检测模块来强化目标图像的边缘信息,经过模型运算后得到边缘细节改善的分割结果。实验结果表明,该方法在图像的边缘分割效果上优于原始DeepLabv3+方法,并且在PASCAL VOC2012数据集上达到了89%以上MIOU的前沿水平。展开更多
文摘针对大规模数据流需要巨量存储空间,以及串行处理速度瓶颈,着力于解决处理后的精确度及数据压缩.在并行平台下,利用阈值滑动窗口技术将数据流分段送入各处理器,并使用基因表达式编程(Gene Expression Programming,GEP)的函数发现算法实现对数据模型的函数挖掘,提出了基于基因表达式编程的多数据流压缩并行函数替代算法PFR-GEP(Parallel Function Replace-GEP).在PC机群上的实验结果表明:该算法有效提高了压缩比例与运算速度,且具有线性加速比.
文摘DeepLabv3+是目前语义分割领域最为先进的模型之一,Google将DeepLabv3模型作为编码器的基础上创新性的加入解码器结构,强化了模型恢复空间分辨率与位置信息的能力,显著提升了分割效果,并在PASCAL VOC2012数据集上达到了SOTA(State Of The Art)。但模型仍然保留在编码器中引入下采样和空洞卷积进行特征提取,造成大量细节信息丢失,最终导致图像的边缘分割效果不佳。本文提出一种Deep Labv3+结合分数阶(微分)边缘检测的语义分割模型,采用分数阶滑动阈值边缘检测模块来强化目标图像的边缘信息,经过模型运算后得到边缘细节改善的分割结果。实验结果表明,该方法在图像的边缘分割效果上优于原始DeepLabv3+方法,并且在PASCAL VOC2012数据集上达到了89%以上MIOU的前沿水平。
