文献类型：期刊文章

作　　者：陈乔松[1] 陶亚[1] 申发海[1] 弓攀豪[1] 孙开伟[1] 王进[1] 邓欣[1]

CHEN Qiaosong;TAO Ya;SHEN Fahai;GONG Panhao;SUN Kaiwei;WANG Jin;DENG Xin(Chongqing Key Laboratory of Computational Intelligence,School of Computer Science and Technology,Chongqing University of Posts and Telecommunications,Chongqing 400065,P.R.China)

机构地区：[1]重庆邮电大学计算机科学与技术学院,计算智能重庆市重点实验室,重庆400065

出　　处：《重庆邮电大学学报（自然科学版）》

基　　金：国家自然科学基金(61806033),重庆市重点产业共性关键技术创新专项(cstc2017zdcy-zdyfX0012),国家社会科学基金西部项目(18XGL013)资助课题。

年　　份：2020

卷　　号：32

期　　号：2

起止页码：287-294

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：语义分割的目标是对图像进行像素级分类并分割为表示不同语义的区域,以便实现对更复杂场景的分析及理解。考虑到更大的卷积核对目标的定位及分割都有促进作用,故提出的网络里使用了一种基于上下文情景结构层(contextual structure)的卷积神经网络,既增大了感受野的范围,同时解决了增大传统卷积核带来大量参数的问题。自然图像中的目标往往具有不同的尺度和纵横比,提取丰富的细节信息和上下文信息对于像素级的预测至关重要。提出的网络同时实现了多尺度特征的提取,从规模较小区域到规模较大区域,再到完整目标,可以有效提取局部信息和全局信息,达到分割多尺度目标的效果。实验中使用PASCAL VOC 2012数据集对提出的方法进行评测,在综合考虑算法复杂度以及运行时间效率的基础上,提出算法取得了更好的实验结果。

关 键 词：语义分割  上下文情景结构  多尺度

分 类 号：TP391.4]