摘要
实例分割在图像分类的基础上为每一个物体生成像素级别的分割掩码,是当前计算机视觉领域热门研究课题,也是极具挑战性的任务之一.针对当前算法存在的分割精度和鲁棒性不高等问题,提出了一种改进的SOLOV2 算法.首先,以FCN(Fully Convolutional Networks for Semantic Segmentation)算法为整体框架,采用ResNext作为骨干网络,在不增加网络参数量和计算量的前提下可以有效提升网络的精度;其次,采用改进的 NAS-FPN(Neural Architecture Search Feature Pyramid Network)作为特征金字塔网络结构,这是一种可以在FPN中进行特征图的搜索和组合结构,使网络可以重新搜索并融合已经提取的特征图,以此来解决网络不能充分感知特征图从而导致网络精度不高的问题;最后,通过调整超参数得到整个分割网络模型.通过在COCO2017 数据集上与BDD100K数据集上进行实验分析比较可知,改进的基于SOLOV2 实例分割算法精度达到41.8%,在兼顾实时性的同时网络精度提升了2.1%.通过实验证明改进的算法可以适应多种交通场景,可以完成交通场景目标的检测与分割.
基金项目
安徽省自然科学基金(1708085QF133)
安徽师范大学创新基金(2018XJJ100)
安徽省智能机器人信息融合与控制工程实验室项目(IFCIR2020004)
维普
万方数据