基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
全卷积神经网络是一种强大的端到端的模型,在语义分割领域应用广泛,获得了巨大的成功.研究人员提出了一系列基于完全卷积神经网络的方法,但是随着卷积和池化的持续性下采样,图像的上下文信息将会丢失,影响了像素级分类.针对完全卷积网络上下文信息丢失问题,提出基于像素的注意力方法.该方法利用计算高级特征图像素之间的联系来获取全局信息,增强像素之间的相关性,再结合空洞空间金字塔池化进一步提取图像的特征信息.针对图像的高层特征图像素丢失的问题,提出了基于图像不同层级的注意力方法.该方法将高层特征图中的信息作为指导对低层特征图中隐藏的信息进行挖掘,然后和高级特征图进行融合,充分利用高级特征图信息和低级特征图的信息.在实验方面,通过对比所提不同模块对全卷积神经网络分割性能的影响,验证了所提方法的有效性.同时在公认的图像语义分割数据集Cityscapes上与当前先进的网络进行实验对比,结果显示所提方法在客观评价指标和主观效果方面均存在优越性,并在Cityscapes官网测试集中达到了69.3%的准确率,性能比近期几个先进网络高出3~5个百分点.
推荐文章
基于注意力机制的全景分割网络
全景分割
背景类实例重叠
三重态注意力机制
语义增强注意力机制
基于卷积神经网络和注意力模型的文本情感分析
社交网络
文本情感分析
卷积神经网络
注意力模型
基于卷积神经网络改进的图像自动分割方法
图像分割
卷积神经网络
多尺度特征融合
残差连接
三维重建
采用循环神经网络的情感分析注意力模型
情感分析
循环神经网络
注意力
长短时记忆
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 全卷积注意力机制神经网络的图像语义分割
来源期刊 计算机科学与探索 学科 工学
关键词 全卷积神经网络 空洞空间金字塔池化 注意力模型 语义分割
年,卷(期) 2022,(5) 所属期刊栏目 图形图像|Graphics and Image
研究方向 页码范围 1136-1145
页数 10页 分类号 TP391.4
字数 语种 中文
DOI 10.3778/j.issn.1673-9418.2105095
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2022(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
全卷积神经网络
空洞空间金字塔池化
注意力模型
语义分割
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与探索
月刊
1673-9418
11-5602/TP
大16开
北京市海淀区北四环中路211号北京619信箱26分箱
82-560
2007
chi
出版文献量(篇)
2215
总下载数(次)
4
总被引数(次)
10748
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导