计算机技术与发展2023，Vol.33Issue(9) ：30-36.DOI:10.3969/j.issn.1673-629X.2023.09.005

基于高效深度瓶颈结构的实时语义分割方法

Real-time Semantic Segmentation Method Based on Efficient Deep Bottleneck Structure

陈学颢 李顺新
计算机技术与发展2023，Vol.33Issue(9) ：30-36.DOI:10.3969/j.issn.1673-629X.2023.09.005
✕
  • 维普
  • 万方数据

基于高效深度瓶颈结构的实时语义分割方法

Real-time Semantic Segmentation Method Based on Efficient Deep Bottleneck Structure

陈学颢 1李顺新1
扫码查看

作者信息

  • 1. 武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;湖北智能信息处理与实时工业系统重点实验室,湖北 武汉 430065;武汉科技大学 大数据科学与工程研究院,湖北 武汉 430065
  • 折叠

摘要

针对现阶段语义分割方法参数量多、计算成本高,难以满足实际场景需求的问题,提出了一种基于高效深度瓶颈结构的轻量级实时语义分割方法(GDBNet).首先,利用分解卷积和扩张卷积的有效结合构建出高效深度瓶颈结构,并以一种轻量并高效的方式提取局部上下文信息;然后,将该结构堆叠来获取多尺度的语义信息;最后,通过注意力融合连接模块聚合多尺度的上下文信息并指导特征选择,以此提高分割效果.在不经过任何预训练和后处理的情况下,GDBNet在Cityscapes和Camvid数据集上以140.0 FPS和143.7 FPS的推理速度分别达到了72.91%和68.84%平均交并比的准确度并且参数量仅为0.66 M.该方法在Cityscapes数据集上,相比于同类型深度非对称瓶颈网络(DABNet),准确度提高了2.81 百分点,推理速度上升了35.8 FPS,并且参数量降低了0.1 M;在Camvid数据集上,与SPMNet方法相比,准确度提高了1.54 百分点,同时参数量和推理速度也更优.实验结果表明:所提方法在满足实时性要求的前提下,能较为准确地识别场景信息.

关键词

瓶颈结构/实时语义分割/分解卷积/扩张卷积/上下文信息

Key words

bottleneck structure/real-time semantic segmentation/factorized convolution/dilated convolution/contextual information

引用本文复制引用

基金项目

国家自然科学基金联合基金重点支持项目(U1803262)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量4
段落导航相关论文