典型文献
基于注意力机制和有效分解卷积的实时分割算法
文献摘要：
针对现阶段实时语义分割算法计算成本高和内存占用大而无法满足实际场景需求的问题,提出一种新型的浅层的轻量级实时语义分割算法——基于注意力机制和有效分解卷积的实时分割算法(AEFNet).首先,利用一维非瓶颈结构(Non-bottleneck-1D)构建轻量级分解卷积模块以提取丰富的上下文信息并减少运算量,同时以一种简单的方式增强算法学习能力并利于提取细节信息;然后,结合池化操作和注意力细化模块(ARM)构建全局上下文注意力模块以捕捉全局信息并细化算法的每个阶段,从而优化分割效果.算法在公共数据集cityscapes和camvid上进行验证,并在cityscapes测试集上获得精度为74.0％和推理速度为118.9帧速率(FPS),相比深度非对称瓶颈网络(DABNet),所提算法在精度上提高了约4个百分点,推理速度提升了14.7 FPS,与最近高效的增强非对称卷积网络(EACNet)相比,所提算法精度略低0.2个百分点,然而推理速度提高了6.9 FPS.实验结果表明:所提算法能够较为准确地识别场景信息,并能满足实时性要求.
文献关键词：
分解卷积;注意力机制;空间细节信息;上下文信息;轻量级算法
中图分类号：
作者姓名：
文凯;唐伟伟;熊俊臣
作者机构：
重庆邮电大学通信与信息工程学院,重庆400065;重庆邮电大学通信新技术应用研究中心,重庆400065
文献出处：
引用格式：
[1]文凯;唐伟伟;熊俊臣-.基于注意力机制和有效分解卷积的实时分割算法)[J].计算机应用,2022(09):2659-2666
A类：
AEFNet,cityscapes,camvid,DABNet,EACNet
B类：
注意力机制,分解卷积,分割算法,实时语义分割,算法计算,计算成本,内存占用,瓶颈结构,Non,bottleneck,1D,卷积模块,上下文信息,减少运算量,增强算法,池化操作,ARM,全局上下文,上下文注意力,注意力模块,全局信息,优化分割,分割效果,公共数据,测试集,推理速度,FPS,百分点,非对称卷积,卷积网络,略低,空间细节信息,轻量级算法
AB值：
0.31457
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。
