轻量化卷积注意力特征融合网络的实时语义分割
轻量化卷积神经网络的出现促进了基于深度学习的语义分割技术在低功耗移动设备上的应用.然而,轻量化卷积神经网络一般不考虑融合特征之间的关系,常使用线性方式进行特征融合,网络分割精度有限.针对该问题,提出一种基于编码器-解码器架构的轻量化卷积注意力特征融合网络.在编码器中,基于 MobileNetv2 给出空洞MobileNet 模块,以获得足够大的感受野,提升轻量化主干网络的表征能力;在解码器中,给出卷积注意力特征融合模块,通过学习特征平面通道、高度和宽度 3 个维度间的关系,获取不同特征平面之间的相对权重,并以此对特征平面进行加权融合,提升特征融合的效果.所提网络仅有 0.68×106 参数量,在未使用预训练模型、后处理和额外数据的情况下,使用NVIDIA 2080Ti显卡在城市道路场景数据集Cityscapes和CamVid上进行实验的结果表明,该网络的平均交并比分别达到了 72.7%和 67.9%,运行速度分别为 86 帧/s和 105 帧/s,在分割精度、网络规模与运行速度之间达到了较好的平衡.
实时语义分割、轻量化卷积神经网络、注意力机制、特征融合
35
TP391.41(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）
共9页
935-943
