自适应调控卷积与双路信息嵌入的城市街景实例分割
城市街道场景实例分割是无人驾驶不可忽略的关键技术之一,针对城市街景实例密集、边缘模糊以及背景干扰严重等问题,提出一种自适应调控卷积与双路信息嵌入的城市街景实例分割模型 RENet.首先使用自适应调控卷积替代原有的残差结构,利用可变形卷积学习空间采样位置偏移量,提高模型对图像复杂形变的建模能力,同时对多分支结构进行通道混洗以加强不同通道间的信息流动,并应用注意力机制实现通道权重的自适应校准,提高模型对复杂场景下模糊、密集目标的分割精度;然后设计低维空间信息嵌入分支,对不同尺度特征图进行空间信息激励与重编码,在抽象语义特征中嵌入低维空间信息,提高模型轮廓分割准确性;最后引入高级语义信息嵌入模块,实现特征图与语义框的对齐,弥补特征图间语义与分辨率的差距,提高不同尺度下特征信息融合的有效性.在自建数据集上的实验结果表明,与原始 YOLACT 网络模型相比,RENet 模型在复杂街道背景下的平均分割精度最高达到51.6%,提高了 10.4 个百分点;网络推理速度达到 17.5 帧/s,验证了该模型的有效性和在工程中的实用性.
密集实例、街景分割、自适应调控卷积、复杂形变建模、双路信息嵌入
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
2023-10-08(万方平台首次上网日期,不代表论文的发表时间)
共11页
1086-1096