基于轻量级卷积神经网络的多视觉特征图像分割研究

研究基于轻量级卷积神经网络的多视觉特征图像分割方法,以适应资源受限环境并满足实时性需求。在Linknet网络基础上设计轻量级多视觉特征图像分割模型,以原始多视觉特征图像为编码器输入,经过初步特征提取后,多尺度特征提取模块利用不同尺度卷积核学习其颜色、纹理等特征,通道注意力模块采用压缩-激励块对不同尺度特征作重定向,利用引入深度可分离卷积的特征提取模块A学习更抽象的特征表示,解码器利用特征提取模块B、反卷积层和标准卷积层对编码器提取的特征表示作转换处理,生成包含语义信息的特征图。通过双向特征金字塔网络融合编解码器输出特征,利用Sigmoid函数获得多视觉特征图像分割结果。实验结果表明:该方法训练损失仅为0.08;可实现多视觉特征图像的精准分割,MIoU、F1-score指标分别为0.9128、0.9068;分割模型参数量、计算量、存储空间分别为6.14 MB、1.52 GMac、0.146 GB,满足轻量级要求。

资料为PDF文档格式.

本文档关键词:轻量级,视觉,图像,分割,特征