多尺度交叉注意力特征融合的语义分割网络

张弘; 高月; 刘保洋

doi:10.13873/J.1000-9787(2024)09-0135-05

Chinese

您当前的位置：

首页 >

文章列表页 >

多尺度交叉注意力特征融合的语义分割网络

计算与测试 | 更新时间：2025-09-11

- 多尺度交叉注意力特征融合的语义分割网络
- 暂无标题
- 传感器与微系统 2024年第9期页码：135-139
- 作者机构：
  
  西安邮电大学自动化学院
- 作者简介：
- 基金信息：
  
  陕西省自然科学基金资助项目(2021SF—478)
- DOI：10.13873/J.1000-9787(2024)09-0135-05
  中图分类号： TP391.41
- 纸质出版：2024
- 稿件说明：
移动端阅览
张弘, 高月, 刘保洋. 多尺度交叉注意力特征融合的语义分割网络[J]. 传感器与微系统, 2024,(9):135-139.
张弘, 高月, 刘保洋. 多尺度交叉注意力特征融合的语义分割网络[J]. 传感器与微系统, 2024,(9):135-139. DOI： 10.13873/J.1000-9787(2024)09-0135-05.

DOI：

摘要

针对DeepLabv3+语义分割模型在解码阶段仅融合单尺度低级特征，高级与低级特征融合效果差，导致目标分割精度低的问题，本文基于注意力特征融合(AFF)结构和DeepLabv3+网络，提出了CAAF-DeepLabv3+分割网络。首先，该网络引入不同阶段的多尺度浅层特征来优化空间位置信息。其次，采用交叉方式改进AFF

获得交叉注意力特征融合(CAFF)结构，提高特征间的信息交互，且通过学习高级和低级特征在通道上的重要程度，增强显著性特征，克服语义和尺度不一的特征融合问题，以获取高分辨率和高语义信息的融合特征。在道路标线数据集上进行训练和测试的结果表明，对于目标轮廓复杂、小尺寸分布较多的情况，该网络与UNet、PSPNet、DeepLabv3+、MobileNetv2-DeepLabv3+、AFF-DeepLabv3+网络相比较，平均交并比(MIoU)值和平均像素准确率(MPA)值达到最高，漏分割和错误分割明显降低。

Abstract

关键词

Keywords

references

张金锋,刘军,谢枫,姜克儒,张家倩,许水清.基于改进Deeplabv3+网络的遥感图像选站选线语义分割[J].控制工程,2022(03).

何淼楹,崔宇超.面向自动驾驶的交通场景语义分割[J].计算机应用,2021(S1).

徐聪,王丽.基于改进DeepLabv3+网络的图像语义分割方法[J].激光与光电子学进展,2021(16).

曹建芳,田晓东,贾一鸣,闫敏敏.改进DeepLabV3+模型在壁画分割中的应用[J].计算机应用,2021(05).

何平,张万发,罗萌.基于生成对抗网络的遥感图像居民区分割[J].传感器与微系统,2020(02).

吕念祖.基于深度学习的医学图像分割算法研究[D].西南科技大学,2021(08).

Pravendra Singh,Vinay Kumar Verma,Piyush Rai,Vinay P. Namboodiri.HetConv: Beyond Homogeneous Convolution Kernels for Deep CNNs[J].International Journal of Computer Vision,2019.

Shelhamer Evan,Long Jonathan,Darrell Trevor.Fully Convolutional Networks for Semantic Segmentation.[J].IEEE transactions on pattern analysis and machine intelligence,2017.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进YOLOv8的施工安全装备检测算法

基于语义分割和人体姿态估计的引体向上测试平台设计

基于多尺度多分辨率的直线段检测算法

基于改进BiSeNet的语义分割算法

基于深度学习的电解电容识别与极性检测