典型文献
融合转置卷积与深度残差图像语义分割方法
文献摘要：
针对深度学习图像语义分割方法中存在分割精度低、损失率高的问题,提出了融合转置卷积与深度残差图像语义分割方法.首先,为了解决神经网络深度增加引起分割精度下降、收敛速度慢的问题,设计一种深度残差学习模块来提升网络的训练效率和收敛速度;然后,为了使上采样过程与特征提取过程中特征图融合精度更高,将深度残差U-net模型中UpSampling2D和转置卷积两种上采样方式进行拼接,形成新的上采样模块;最后,针对网络训练过程中训练集与验证集之间存在的权值过度拟合问题,在网络的跳跃连接层引入Dropout,增强了网络的学习能力.在CamVid数据集上对算法的性能进行了证明,算法语义分割精度达到89.93％,损失率降到0.23,与U-net模型相比,验证集精度提升了13.13个百分点,损失率降低了1.20,优于当前的图像语义分割方法.所提出的图像语义分割新模型,综合了U-net模型的优点,使得图像语义分割精度更高,语义分割的效果更好,有效提升了算法的鲁棒性.
文献关键词：
图像语义分割;U-net模型;深度残差网络;转置卷积
中图分类号：
作者姓名：
刘腊梅;王晓娜;刘万军;曲海成
作者机构：
辽宁工程技术大学软件学院,辽宁葫芦岛125105
文献出处：
引用格式：
[1]刘腊梅;王晓娜;刘万军;曲海成-.融合转置卷积与深度残差图像语义分割方法)[J].计算机科学与探索,2022(09):2132-2142
A类：
UpSampling2D
B类：
转置卷积,残差图,差图像,图像语义分割,分割方法,损失率,收敛速度,速度慢,残差学习,学习模块,训练效率,上采样,特征图,图融合,融合精度,net,采样方式,拼接,样模,网络训练,训练过程,训练集,验证集,权值,过度拟合,跳跃连接,Dropout,CamVid,法语,精度提升,百分点,深度残差网络
AB值：
0.323013
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。
