文献类型：期刊文章

作　　者：郑秋梅[1] 徐林康[1] 王风华[1] 林超[2]

ZHENG Qiumei;XU Linkang;WANG Fenghua;LIN Chao(College of Computer Science and Technology,China University of Petroleum(East China),Qingdao,Shandong 266580,China;Information Construction Department,China University of Petroleum(East China),Qingdao,Shandong 266580,China)

机构地区：[1]中国石油大学(华东)计算机科学与技术学院,山东青岛266580 [2]中国石油大学(华东)信息化建设处,山东青岛266580

出　　处：《计算机工程》

基　　金：国家自然科学基金“基于超声速膨胀的天然气非均质凝结机理”(52074341);国家自然科学基金“多相流管道泥砂颗粒冲蚀机制研究”(51874340);中央高校基本科研业务费专项资金(19CX02030A)。

年　　份：2023

卷　　号：49

期　　号：1

起止页码：242-249

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：金字塔场景解析网络存在图像细节信息随着网络深度加深而丢失的问题,导致小目标与物体边缘语义分割效果不佳、像素类别预测不够准确。提出一种基于改进自注意力机制的金字塔场景解析网络方法,将自注意力机制的通道注意力模块与空间注意力模块分别加入到金字塔场景解析网络的主干网络和加强特征提取网络中,使网络中的两个子网络能够分别从通道和空间两个方面提取图像中更重要的特征细节信息。针对现有的图像降维算法无法更好地提高自注意力机制计算效率的问题,在分析“词汇”顺序对自注意力机制计算结果影响的基础上,利用希尔伯特曲线遍历设计新的图像降维算法,并将该算法加入到空间自注意力模块中,以提高其计算能力。仿真实验结果表明,该方法在PASCAL VOC 2012和息肉分割数据集上的精度均有提高,小目标与物体边缘分割更加精细,其中在VOC 2012训练集中平均交并比与平均像素精度分别达到75.48%、85.07%,较基准算法分别提升了0.68、1.35个百分点。

关 键 词：语义分割  金字塔场景解析网络  自注意力机制  图像降维 希尔伯特曲线  

分 类 号：TP391.41]