文献类型：期刊文章

作　　者：杨贞[1] 彭小宝[1] 朱强强[1] 殷志坚[1]

YANG Zhen;PENG Xiaobao;ZHU Qiangqiang;YIN Zhijian(College of Communication and Electronics,Jiangxi Science and Technology Normal University,Nanchang Jiangxi 330013,China)

机构地区：[1]江西科技师范大学通信与电子学院,南昌330013

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(61866016,62061019);江西省自然科学基金面上项目(20202BABL202014);江西科技师范大学青年拔尖项目(2018QNBJRC002)。

年　　份：2022

卷　　号：42

期　　号：1

起止页码：230-238

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题,提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先,在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模块,并且引入一个权重值与每个注意力机制模块相乘,以达到约束注意力机制模块的目的;其次,在PASCAL VOC2012公共分割数据集上训练嵌入注意力模块的Deeplab V3 Plus,以此手动获取注意力机制模块权重值(经验值);然后,探索输入层、中间层和输出层中注意力机制模块的多种融合方式;最后,将注意力机制模块的权重值更改为反向传播自动更新,从而得到注意力机制模块的最优权值和最优分割模型。实验结果表明,与原始Deeplab V3 Plus网络结构相比,引入自适应注意力机制的Deeplab V3 Plus网络结构在PASCAL VOC2012公共分割据集和植物虫害数据集上的平均交并比(MIOU)分别提高了1.4个百分点和0.7个百分点。

关 键 词：语义分割  下采样操作  自适应注意力机制  注意力机制模块权重值  DeeplabV3 Plus  

分 类 号：TP391.41]