基于改进的DeepLabv3p网络的轮胎胎面花纹缺陷分割算法

为了解决DeepLabv3p网络在检测汽车轮胎胎面花纹图像上呈现的边缘分割模糊、模型参数量大、训练速度慢等问题,提出了一种融合双重十字交叉注意力模块(URCCA)的轻量级图像分割算法——DeepLabNLAS。首先,采用STDC2代替DeepLabv3p网络中的特征提取网络来降低模型的参数量和体积,提升模型的训练速度;然后,将URCCA模块与ASPP(atous spatial pyramid pooling)模块并联来获取长距离密集的上下文信息;之后,将两个模块的特征图相融合送入解码器进行上采样恢复至输入图像的分辨率大小。实验结果表明,本文改进算法在语义分割公用数据集城市景观数据集Cityscapes以及本文数据集Tread_pattern上的效果都优于DeepLabv3p网络。在公用数据集Cityscapes上,DeepLabNLAS比DeepLabv3p网络和文献[9]的平均交并比分别提高了1.22%和2.68%,在数据集Tread_pattern上分别提高了2.13%和3.41%。

基于改进DeepLabV3p的遥感图像中小目标分割方法

针对背景信息复杂、目标类别不均衡,遥感图像的中小目标在分割时常出现误检、漏检的问题,提出一种基于DeepLabV3p改进的遥感图像中小目标分割方法。采用ResNet101作为DeepLabV3p的骨干网络,提出多级感受野融合的ASPP模块,以获取更多感受野;添加SE注意力机制,使模型获得更加精准的通道信息;使用加权的CrossEntropyLoss和LovaszSoftmaxLoss损失函数进行训练,克服数据集目标不均衡的问题;使用全连接条件随机场对预测结果进行图像后处理,对模型输出进行精细化处理。实验结果表明,使用该方法对DLRSD数据集进行分割,mIOU可达到73.22%,与基础网络相比提高了3.78%,有效提高了遥感图像中小目标的分割精度和准确率。