双分支超像素和类中心注意网络,以实现高效的语义细分
Yunting Zhang1, Hongbin Yu2, Haonan Wang2
1School of Design Media, WuXi Vocational Institute of Commerce, Wuxi 214166, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
本研究介绍了一种高效的双分支深度学习网络,用于图像语义细分. 这种新的注意力引导方法提高了边缘精度和上下文理解,同时减少了计算负载.
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:
- 深度学习已经推进了图像语义细分,但实际应用面临着实时处理和准确性等挑战.
- 现有的方法经常与粗的边缘细分,有限的上下文理解和高的计算成本作斗争.
研究的目的:
- 开发一个以注意力为导向的双分支网络,以改善图像语义细分.
- 解决当前细分算法的边缘精度,上下文理解和计算效率的局限性.
主要方法:
- 一个超像素采样权重模块增强了边界灵敏度,并通过建模像素依赖性来保存本地特征.
- 一个类中心的注意模块提取类特定的特征,减少计算开销和改善整体特征表示.
- 可学习的参数适应性地融合来自双分支的特征,以集中信息处理.
主要成果:
- 提出的方法证明了在PASCAL VOC 2012,城市景观和ADE20K数据集上的优越细分性能.
- 与FCN,DeepLabV3+和使用mIoU和PA指标的DANet等主流模型相比,取得了更好的结果.
- 该算法有效地平衡了细分精度和模型效率.
结论:
- 新型双分支网络显著提高了图像语义细分的准确性和效率.
- 以注意力为导向的方法有效地解决了现有的细分方法的局限性.
- 这项工作为实时,高精度的图像分割应用提供了有前途的解决方案.
