相关实验视频
Updated: Jul 23, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
442
不结构化环境的实时细分,通过将域泛化和注意力机制结合起来
Nuanchen Lin1, Wenfeng Zhao1, Shenghao Liang1
1College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou 510642, China.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
本研究介绍了一种改进的DDRNet23-slim模型,用于非结构化环境中的实时语义细分,增强自主机器人导航. 该模型显示了强大的泛化和域迁移功能,用于像智能农业这样的应用程序.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 在非结构化的环境中自主导航对于越野机器人来说至关重要.
- 实时语义细分是强大的感知的一个关键挑战.
研究的目的:
- 开发一个改进的DDRNet23-slim模型,用于在非结构化环境中增强实时语义细分.
- 改进模型的通用化和域迁移能力,用于各种应用.
主要方法:
- 提出了一个改进的DDRNet23-slim模型,具有轻量级的架构,并使用RUGD数据集重新分类了10个类别.
- 集成的语义意识规范化和白化 (SAN-SAW) 模块,通道和空间注意力,以及罕见类采样 (RCS).
- 使用TensorRT优化模型,以提高推断速度.
主要成果:
- 在无形域中,平均交叉点在欧盟 (mIoU) 中增加了14%,显示出强烈的概括性.
- 该模型有5.79M的参数,达到85.21%的mAcc和77.75%的mIoU.
- 在Jetson Xavier NX机器人上实现了30.17 FPS的实时性能.
结论:
- 拟议的模型为实时语义细分提供了推断速度和准确性之间的平衡.
- 该模型具有显著的域迁移能力,适用于林业救援和智能农业收获.
- 在模拟和真实的果园环境中,在机器人上成功部署和测试.
