基于多路径特征提取的实时语义分割方法

TP391; 深度学习在图像语义分割领域的应用极大地提升了分割精确度,但由于深度学习网络在速度、内存等方面的限制,其并不能直接应用于嵌入式设备进行实时分割.针对语义分割模型存在的的网络结构复杂和计算开销巨大的问题,提出了结合边缘检测算法的多路径特征提取的实时语义分割算法.模型通过Sobel算子、Scharr算子和Laplacian算子对图像的轮廓信息进行提取.算法设计了空间路径提取图像的空间位置信息、语义路径提取图像高级语义信息,以及通过边缘检测路径提取图像中具有代表性的纹理特征,并采用Ghost轻量化模块来减少模型参数量,提高算法的分割速度.在480像素×360像素的Cam-Vid数据集上的...

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 49; no. 7; pp. 120 - 126
Main Authors 程成, 降爱莲
Format Journal Article
LanguageChinese
Published 太原理工大学信息与计算机学院 山西晋中030600 2022
Subjects
特征融合
边缘检测
深度学习
实时语义分割
多特征提取
Online AccessGet full text
ISSN1002-137X
DOI10.11896/jsjkx.210500157

Cover

More Information
Summary:TP391; 深度学习在图像语义分割领域的应用极大地提升了分割精确度,但由于深度学习网络在速度、内存等方面的限制,其并不能直接应用于嵌入式设备进行实时分割.针对语义分割模型存在的的网络结构复杂和计算开销巨大的问题,提出了结合边缘检测算法的多路径特征提取的实时语义分割算法.模型通过Sobel算子、Scharr算子和Laplacian算子对图像的轮廓信息进行提取.算法设计了空间路径提取图像的空间位置信息、语义路径提取图像高级语义信息,以及通过边缘检测路径提取图像中具有代表性的纹理特征,并采用Ghost轻量化模块来减少模型参数量,提高算法的分割速度.在480像素×360像素的Cam-Vid数据集上的实验结果表明,在3种边缘检测算子上,模型的分割准确率均能得到有效提升,尤其是在加入3×3大小的So-bel算子下算法的性能提升最为明显,在CamVid测试集图像处理速度为349 frames/s的基础上,分割精度达到了42.9％.所提算法在分割精度和分割速度上均取得了较好的效果,在实时性和准确性之间达到了很好的平衡.
ISSN:1002-137X
DOI:10.11896/jsjkx.210500157