BMSeNet:用于实时语义分割的多层次上下文金字塔聚合和空间细节增强网络
Shan Zhao1, Xin Zhao1, Zhanqiang Huo1
1School of Software, Henan Polytechnic University, Jiaozuo 454000, China.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
本研究介绍了BMSeNet,这是一个用于实时语义细分的新型网络. 它通过有效地整合多层次的环境和空间细节来提高准确性和稳定性,优于现有的方法.
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.
- 人工智能的人工智能
背景情况:
- 实时语义细分网络经常使用浅层架构,限制受体场和单个规模的特征提取.
- 这导致了由于空间细节的丢失而导致的概括性,稳定性和准确性降低.
研究的目的:
- 提出一个新的网络,BMSeNet,解决实时语义细分的局限性.
- 通过结合多尺度上下文和空间细节增强来提高细分的准确性,稳定性和概括性.
主要方法:
- 引入了一个多层次的上下文金字塔聚合模块 (MSCPPM) 来聚合多层次的上下文信息并扩大受感领域.
- 设计了一个空间细节增强模块 (SDEM),以补偿丢失的空间细节并改善感知.
- 提出了双边注意力融合模块 (BAFM),以有效地将不同分支的特征合并,使用像素位置相关性.
主要成果:
- BMSeNet 在推断速度和细分精度之间取得了强大的平衡.
- 拟议的网络在基准数据集上胜过了几种最先进的实时语义细分方法.
- 在Cityscapes和CamVid数据集上进行了实验验证.
结论:
- BMSeNet有效地解决了浅层架构在实时语义细分中的局限性.
- 集成MSCPPM,SDEM和BAFM显著提高了细分性能.
- 拟议的网络为准确和强大的实时语义细分提供了一个有希望的解决方案.
