基于深度学习的轻量级道路图像语义分割算法

• 作者: 胡嵽 冯子亮
• 来源期刊: 计算机应用
• 关键词: 深度学习 道路图像语义分割 深度可分离卷积 轻量级神经网络 注意力机制
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 1326-1331
• 页数: 6页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020081181

摘要

针对深度学习中道路图像语义分割模型参数量巨大以及计算复杂,不适合于部署在移动端进行实时分割的问题,提出了一种使用深度可分离卷积构建的轻量级对称U型编码器-解码器式的图像语义分割网络MUNet.首先设计出U型编码器-解码器式网络;其次,在卷积块之间设计稀疏短连接;最后,引入了注意力机制与组归一化(GN)方法,从而在减少模型参数量以及计算量的同时提升分割精度.针对道路图像CamVid数据集,在1000轮训练后,MUNet模型分割结果在测试图像裁剪为720×720大小时的平均交并比(MIoU)为61.92％.实验结果表明,和常见的图像语义分割网络如金字塔场景分析网络(PSPNet)、RefineNet、全局卷积网络(GCN)和DeepLabv3+相比较,MUNet的参数量以及计算量更少,同时网络分割性能更好.