基于路径聚合扩张卷积的图像语义分割方法*

2021-05-11 01:35:42李叔敖马艳春刘永坚
计算机工程与科学 2021年4期
关键词:语义特征信息

李叔敖,解 庆,马艳春,刘永坚

(武汉理工大学计算机科学与技术学院,湖北 武汉 430070)

1 引言

作为计算机视觉的基础任务之一,图像语义分割的主要过程是对于一幅输入图像,精确地判断图像中的每个像素所属的语义类别。图像语义分割的性能对自动驾驶、机器人和视频监控等应用的性能提升具有重要的现实意义。

目前,图像语义分割领域的主流方法通常基于全卷积神经网络FCN(Fully Convolutional Networks)[1],不同方法的主要区别在于针对分割过程的特定问题产生不同的网络结构。FCN提出利用卷积层代替全连接层以接受任意大小的图像输入,同时,它利用反卷积获得更为精细的特征。U-Net[2]对FCN做了简单升级,在上采样和与之对应的下采样之间构建了跳跃连接,并使用和FCN不同的特征融合方式,拼接来自不同特征层的特征。Badrinarayanan等在SegNet[3]中提出了反池化操作,使用最大池化的索引进行上采样,改善了物体边界划分效果的同时也减少了训练的参数。Chen等在DeepLabv1[4]中提出了扩张卷积,同时还使用卷积神经网络级联概率图模型的方式使网络获得更丰富的对象信息。他们在后续研究的DeepLabv2中[5]提出扩张空间金字塔池化ASPP(Atrous Spatial Pyramid Pooling),增强了分割网络在多尺度下语义分割的鲁棒性。DeepLabv3[6]改进了 DeepLabv2中的扩张空间金字塔池化过程,通过使用“纵式”的ASPP模块,使分割网络获得了更大的感受野和多尺度信息。DeepLabv3+[7]在DeepLabv3的基础上,通过融合扩张金字塔池化和编码器-解码器结构,使模型在物体的边界判断上表现更好,也是目前最有效的语义分割框架。……

登录APP查看全文

猜你喜欢
语义特征信息
语言与语义
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
订阅信息
中华手工(2017年2期)2017-06-06 23:00:31
“上”与“下”语义的不对称性及其认知阐释
现代语文(2016年21期)2016-05-25 13:13:44
认知范畴模糊与语义模糊
展会信息
中外会展(2014年4期)2014-11-27 07:46:46
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15
语义分析与汉俄副名组合
外语学刊(2011年1期)2011-01-22 03:38:33
健康信息
祝您健康(1987年3期)1987-12-30 09:52:32