卷积神经网络低层特征辅助的图像实例分割方法
流行的实例分割网络Mask R-CNN在进行实例分割时,存在目标分割边界和分割轮廓粗糙的问题,导致分割精度低.针对此问题,提出在Mask R-CNN分割分支中引入网络的低层卷积特征进行高精度的实例分割方法.首先从特征提取网络中选择特征,通过插值算法将其缩放至固定尺度(输入图像的1/8)作为低层特征;然后通过RoI对齐操作提取当前待分割目标的特征后与原始的Mask R-CNN的分割分支对应目标的特征进行拼接,并将其作为精细化目标分割的特征.低层网络特征引入了更多的低级纹理和轮廓信息,可以有效地提高物体的分割精度.在COCO2017数据集上,所提方法使用ResNet-101-FPN作为特征提取网络得到的分割结果的平均准确度(AP)相对于Mask R-CNN提高了1.2%.实验结果表明,所提方法在使用不同特征提取网络时具有较好的鲁棒性和有效性.
深度学习、深度神经网络、实例分割、特征融合、低层特征
47
TP391.4(计算技术、计算机技术)
天津市教委科研计划项目;中国民航大学中央高校基金项目
2020-11-17(万方平台首次上网日期,不代表论文的发表时间)
共6页
186-191