文献类型：期刊文章

作　　者：徐聪[1] 王丽[1]

Xu Cong;Wang Li(School of Com puter and Information Engineering,Tianjin Chengjian University,Tianjin 300384,China)

机构地区：[1]天津城建大学计算机与信息工程学院,天津300384

出　　处：《激光与光电子学进展》

基　　金：国家重点研发计划(2019YFD1100402);天津市教委科研计划(2016CJ12)。

年　　份：2021

卷　　号：58

期　　号：16

起止页码：217-224

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：针对DeepLab网络不能充分利用多尺度特征信息,忽略了高分辨率浅层特征以及直接上采样倍数过大导致的重要像素信息丢失问题,提出了一种基于改进DeepLabv3+网络的图像语义分割方法。首先,充分利用了网络产生的多尺度特征信息,并采用特征金字塔网络有效融合了高分辨率的浅层特征;然后,使用逐层上采样增强图像中像素信息的连续性;最后,将空洞空间金字塔池化模块中的标准卷积替换为深度可分离卷积,提高了网络模型的训练效率。在语义分割标准数据集PASCAL VOC2012验证集上的实验结果表明,本方法的平均交并比可达到79.97%。相比DeepLab网络,可预测出更精细的语义分割结果。

关 键 词：图像处理 改进的DeepLabv3+网络  特征金字塔网络  空洞空间金字塔池化模块  

分 类 号：TP751]