有效的SegNet:轻量级的语义细分与多尺度的特征融合和边界增强
Le Zhang1, Mengwei Li1, Peng Zhang1
1School of Instrument and Electronics, North University of China, Taiyuan 030051, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
EfficientSegNet为语义细分提供了一个轻量级的解决方案,在资源有限的设备上提高准确性和效率. 这种新模型解决了多尺度目标和计算机视觉应用模糊边界的挑战.
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:
- 高精度语义细分模型是计算密集型和内存密集型,限制了它们在嵌入式系统中的使用.
- 由于深度特征提取过程中空间信息的丢失,传统方法在多尺度的目标和对象边界方面遇到了困难.
研究的目的:
- 开发一个轻量级和高效的语义细分网络.
- 为了解决处理多尺度目标和对象界限的局限性.
- 为了在资源有限的设备上实现高效的部署.
主要方法:
- 提出了高效的SegNet架构.
- 集成级联注意力密集场 (CADF) 模块.
- 集成动态权重特征融合 (DWF) 模块.
主要成果:
- EfficientSegNet实现了细分精度和计算效率之间的平衡.
- 在多个公共数据集上表现出强大的性能.
- 减少计算资源需求,同时保留全球语义信息和本地细节.
结论:
- EfficientSegNet提供了一个可行的解决方案,用于实时语义细分在资源有限的设备上.
- 拟议的架构有效地处理多个规模的目标和对象界限.
- 该网络提供了改进的细分精度,降低了计算开销.
