典型文献
基于DeepLabV3+与注意力机制相结合的图像语义分割
文献摘要：
基于DeepLabV3+进行图像分割时,在特征提取阶段忽略了不同级别的特征图中存在的特征重要程度不同,丢失了大量的细节信息,致使分割效果不佳.针对该问题,提出了一种基于DeepLabV3+与注意力机制相结合的图像语义分割算法.在骨干网络Xception模型中提取两条低级特征作为解码器的输入特征,提高特征提取的准确性;采用通道注意力模块有效融合高级特征,获取丰富的上下文信息;采用空间注意力模块提取低级特征,过滤背景信息,减少细节信息的丢失;采用深度可分离卷积代替空洞卷积有效降低参数量,提高计算速度;同时,采用焦点损失作为损失函数通过降低内部加权,提高最终的分割效果.实验结果表明,所提算法在PASCAL VOC 2012数据集上的平均交并比(mIoU)值达到了84.44％,与传统算法和基于DeepLabV3+改进的算法相比,有效提高了特征提取的准确性,减少了特征细节信息的损失,对最终的分割效果有了较好的提升.
文献关键词：
图像处理;图像分割;DeepLabV3+;Xception模型;注意力机制;空间注意力;通道注意力
中图分类号：
作者姓名：
邱云飞;温金燕
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]邱云飞;温金燕-.基于DeepLabV3+与注意力机制相结合的图像语义分割)[J].激光与光电子学进展,2022(04):122-131
A类：
B类：
DeepLabV3+,注意力机制,图像语义分割,图像分割,同级,特征图,重要程度,细节信息,分割效果,分割算法,骨干网络,Xception,低级,解码器,输入特征,通道注意力模块,有效融合,上下文信息,空间注意力,背景信息,深度可分离卷积,空洞卷积,参数量,计算速度,焦点损失,损失函数,PASCAL,VOC,平均交并比,mIoU,传统算法
AB值：
0.344635
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。
