在2D图像中使用卷积神经网络进行墙壁细分

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 墙壁细分是语义细分的一个专业领域,对于识别图像中的墙壁像素至关重要.
• 现有的方法在区分墙壁与其他图像元素方面可能缺乏效率或准确性.

研究的目的:

• 提出一个有效的模块结构,用于二维图像中墙壁的语义细分.
• 与当前的墙壁分割技术相比,提高准确性和执行速度.

主要方法:

• 在分段模块中使用编码器-解码器架构.
• 采用扩展ResNet50/101网络作为编码器,包含扩展卷积层.
• 在包含内部图像的ADE20K数据集的子集上训练和评估模型.

主要成果:

• 使用ResNet101提出的结构,表现最好的模型实现了92.13%的像素级精度.
• 在验证数据集上实现了72.58%的欧盟交叉点 (IoU).
• 与其他评估的解决方案相比,证明了更高的准确性和更快的执行速度.

结论:

• 拟议的模块结构有效地解决了在2D图像中墙壁细分的挑战.
• 开发的模型为语义细分任务提供了强大而高效的解决方案.
• 这些方法可以适应识别其他对象,从而实现多种特定应用.