典型文献
小目标特征增强图像分割算法
文献摘要：
在图像场景分割中存在小目标易丢失,边缘轮廓噪声大等问题.在目前的增强特征表征能力与优化空间细节的语义分割算法中,由于边缘和小目标特征的丢失,导致小目标和边缘很难被准确分割.为此,本文研究了一种小目标特征增强的图像分割算法.首先设计一种像素空间注意力模块(Pixel spatial Attention Module,PAM),来获得空间像素具有较强语义信息的特征图像.然后通过对PAM的输出进行建模提取,分别获得含有语义类别信息的边缘特征和小目标特征.最后,将特定的损失函数应用到语义分割训练中,并将多种特征进行融合,经过反复的监督学习和训练校正,可以在不影响其他类别性能的情况下提高边缘和小目标分割的性能.在Cityscapes,VOC2012,ADE20K和Camvid基线数据集上的实验表明,该算法与先进的图像分割算法相比,在小目标分割、边缘特征增强和内轮廓噪声减少等方面,其性能和效果都有明显提高,分割精度提高了2个百分点.
文献关键词：
场景分割;小目标特征增强;注意力模块;建模
中图分类号：
作者姓名：
任莎莎;刘琼
作者机构：
华南理工大学校软件学院,广东广州 511436
文献出处：
引用格式：
[1]任莎莎;刘琼-.小目标特征增强图像分割算法)[J].电子学报,2022(08):1894-1904
A类：
小目标特征增强
B类：
增强图像,图像分割算法,场景分割,边缘轮廓,表征能力,语义分割,像素,空间注意力,注意力模块,Pixel,spatial,Attention,Module,PAM,得空,语义信息,特征图像,出进,语义类别,类别信息,边缘特征,损失函数,函数应用,监督学习,小目标分割,Cityscapes,VOC2012,ADE20K,Camvid,基线数据,内轮廓,百分点
AB值：
0.318276
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
