复杂城市交通场景下的自动驾驶语义分割方法

多尺度特征金字塔可以缓解语义分割在复杂交通场景下通常存在漏分割、错误分割、边界分割不清晰等问题,但现有的多尺度特征金字塔在获取丰富的语义信息时,不得不下采样特征图,牺牲空间细节信息,而这导致了最终的分割结果仍然精度受限。针对该问题,本文提出了特征强化模块,使得有利于正确分类像素的相似特征在下采样过程之前得到基于不同矢量间余弦相似度的进一步加强,降低下采样带来的负面影响。另外,结合空洞卷积和条带卷积原理,本文对大卷积核进行了改造,并构建新的多尺度特征金字塔模块,以获取尺度不同且具备更大感受野的语义信息。该分割方法实时高效,能够满足自动驾驶语义分割要求,在VOC2012数据集上的实验表明,所提出的方法分割结果mIoU达到了74.36%,FPS达到了43,优于目前的主流语义分割方法。

SDRNet:基于空间信息恢复的医学图像分割网络

利用深度神经网络解决医学图像分割任务的模型有很多,但这些模型普遍忽视了深度神经网络中由多次下采样操作导致的空间细节丢失的问题,而空间细节中包含大量小区块,边缘等关键信息,这些细节的丢失会导致模型整体性能下降,也会使得分割结果的医疗辅助价值降低。本文提出了一种空间信息恢复网络(SDRNet)来解决上述难题。首先本文提出了空间信息注意力分支(SDAB)优化空间信息的抽取与表达,同时降低对语义信息的干扰;然后提出了特征强化模块(FEM)增强模型对语义信息的编码表达能力,优化训练过程。LUNA数据集上的实验结果表明,提出的模块能协同工作,更好地处理边缘细节和小区块,SDRNet在2个模块的协同作用下能实现更优的分割性能,超越了对比的经典方法,实现了96.44%的平均交并比。