典型文献
双路径特征融合编解码结构的高速语义分割
文献摘要：
对基于深度学习的高精度图像语义分割模型参数量大、分割速度慢的问题,提出一种基于双路径特征融合编解码结构的语义分割模型.首先,该模型编码器通过对语义路径和空间路径同时进行编码,其能够融合不同的特征信息,弥补了空间信息和语义信息难以两全的弊端,对特征图进行高效的卷积操作;其次,该模型解码器通过融合高层语义信息和低层空间信息,有效地弥补了编码时下采样操作丢失的特征信息.在Cityscapes和Camvid数据集上的实验结果表明,整体模型的参数量仅为3.91×106,在2个数据集上分别取得了67.7％和65.8％的均交并比,分割速度分别为111帧/s和86帧/s.对比其他同类模型,所提模型拥有更少的参数量和更高的精度,其分割速度远远超过实时语义分割的最低要求24帧/s.
文献关键词：
神经网络;语义分割;特征融合;深度学习;编解码结构
中图分类号：
作者姓名：
胡学刚;龚宇;敬力源
作者机构：
重庆邮电大学通信与信息工程学院 重庆 400065
文献出处：
引用格式：
[1]胡学刚;龚宇;敬力源-.双路径特征融合编解码结构的高速语义分割)[J].计算机辅助设计与图形学学报,2022(12):1911-1919
A类：
B类：
双路径,特征融合,合编,编解码结构,图像语义分割,分割模型,模型参数量,速度慢,模型编码,编码器,特征信息,空间信息,语义信息,两全,特征图,卷积操作,解码器,低层,层空间,时下,下采样,Cityscapes,Camvid,整体模型,均交并比,远超过,实时语义分割
AB值：
0.368349
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。
