轻量级的语义细分网络,具有可配置的上下文和小对象注意力
Chunyu Zhang1, Fang Xu2, Chengdong Wu1
1Faculty of Robot Science and Engineering, Northeastern University, Shenyang, China.
Frontiers in computational neuroscience
|November 8, 2023
概括
本研究介绍了CCSONet,一个轻量级的语义细分网络,用于解决特征扭曲和小对象丢失. 它实现了高精度和速度,超越现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像细分 图像细分
背景情况:
- 当前的语义细分算法在编码特征扭曲和丢失小对象细节方面扎.
- 现有的上下文信息交换方法具有固定的空间范围,限制了它们的有效性.
- 高分辨率功能维护有助于检测小物体,但会降低网络速度.
研究的目的:
- 提出一个新的轻量级语义细分网络,CCSONet,旨在克服现有方法的局限性.
- 通过结合可配置的上下文和注意力机制来增强小物体的特征表示.
- 为了提高语义细分任务的准确性和效率.
主要方法:
- 开发了一个名为CCSONet的轻量级语义细分网络.
- 引入了一个长短距离可配置上下文特征增强模块 (LSCFEM),用于灵活的空间上下文.
- 实现了一个小物体注意力解码模块 (SOADM),以关注和增强小物体特征.
主要成果:
- 在Cityscapes数据集上,CCSONet实现了7690万U,在Camvid数据集上实现了7310万U.
- 该网络在Cityscapes和Camvid上保持了高运行速度,分别为87 FPS和138 FPS.
- 与其他轻量级语义细分算法相比,CCSONet的准确性更高.
结论:
- CCSONet有效地解决了语义细分中的特征扭曲和小对象丢失.
- 拟议的LSCFEM和SOADM模块提供可配置的环境和有针对性的注意力,以提高性能.
- CCSONet为高效准确的轻量级语义细分提供了一个有前途的解决方案.
