文献类型：期刊文章

作　　者：王瑞绅[1] 宋公飞[1,2,3] 王明[1]

WANG Ruishen;SONG Gongfei;WANG Ming(Nanjing University of Information Science and Technology,School of Automation,Nanjing 210000,China;Nanjing University of Information Science and Technology,Collaborative Innovation Center of Atmospheric Enviroment and Equipment Technology,Nanjing 210000,China;Key Laboratory of Advanced Control and Optimization for Chemical Processes,Shanghai 200000,China)

机构地区：[1]南京信息工程大学自动化学院,南京210000 [2]南京信息工程大学江苏省大气环境与装备技术协同创新中心,南京210000 [3]化工过程先进控制和优化技术教育部重点实验室,上海200000

出　　处：《电光与控制》

基　　金：国家自然科学基金面上项目(61973170);中央高校基本科研业务费专项资助项目(2020AC0CP02)。

年　　份：2023

卷　　号：30

期　　号：1

起止页码：92-96

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2023_2024、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：多种应用依赖于数据理解的准确性,而语义图像分割有效地解决了这个问题,它为基于像素级别的场景理解提供了必要的上下文信息。鉴于ResNeXt50相比于一般的卷积操作具有更强的特征提取能力,提出了一种基于ResNeXt50的U-Net网络结构ECAU-Net。在融合过程中,通过引入超强通道注意力(ECA)模块进一步增强特征表示对场景分割的判别能力。除此之外,在整体网络结构中引入空洞卷积,在不改变卷积核大小的情况下扩大图像的感受野范围,从而最大化地提高网络性能。实验结果表明,在CamVid数据集上,ECAU-Net相较于U-Net在Acc, Acc class, MIoU和FWIoU这4个评价指标上分别提高了2.1%,8.6%,8.2%和3.2%。

关 键 词：语义图像分割  空洞卷积  超强通道注意力模块  U-Net  

分 类 号：TP391.41]