基于残余连接和特征融合的图像细分模型的设计
Hong Li1,2, Norriza Hussin2, Dandan He1,2
1School of Information Engineering, Pingdingshan University, Pingdingshan, China.
PloS one
|October 3, 2024
概括
一个新的深度学习模型FRes-MFDNN增强了复杂场景的图像细分. 与传统方法相比,这种模型实现了高精度和优越的细节保存.
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:
- 卷积神经网络 (CNN) 具有先进的图像细分.
- 现有的方法难以处理复杂的场景和多层次的目标,导致信息丢失.
研究的目的:
- 提出一个改进的图像细分模型,解决复杂场景中的局限性.
- 为了提高细分精度和细节保存.
主要方法:
- 开发了一种新的图像细分模型,FRes-MFDNN,集成剩余连接和特征融合.
- 利用剩余连接进行深度特征提取和特征融合进行多层面集成.
- 在ISPRS Vaihingen和Caltech UCSD Birds200数据集上进行了实验.
主要成果:
- FRes-MFDNN实现了97.89% (ISPRS Vaihingen) 和98.24% (Birds200) 的峰值平均精度.
- 该模型展示了F1得分接近100%的高效处理时间 (0.20s和0.26s).
- 在对未标记的鸟类图像进行细分方面,FRes-MFDNN的表现优于MSRF-Net,LBN-AA-SPN和ARG-Otsu,显示了更好的细节和完整性.
结论:
- 拟议的FRes-MFDNN模型显著提高了细分的完整性,细节性和空间连续性.
- 这种模型非常适合复杂的场景,有噪音和阻塞.
- 与传统的图像细分技术相比,FRes-MFDNN代表了一个实质性的进步.
