融合多层级特征与注意力机制的高效语义分割算法

摘要

针对当前语义分割算法参数量大、计算复杂、推理速度慢，难以在移动设备和嵌入式设备等资源有限的场景中应用等问题，提出基于DeepLabV3+的一种融合多层级特征与注意力机制的高效语义分割算法(HE-DeepLabV3+).该算法采用MobileNetV2作为骨干网络，输出的浅层特征通过特征金字塔(FPN)模块进行多层级特征融合，以增强浅层特征的表达能力.又提出增强型空洞空间金字塔池化(EASPP)模块实现特征的密集连接，解决特征提取过程中的语义信息丢失问题.进而设计并行通道空间注意力模块(PCSAM),在保留原始特征的同时获得空间权重和通道权重，提高分割精度.实验结果表明，HE-DeepLabV3+在PASCAL VOC2012Aug数据集上的平均交并比和平均像素精度分别达到75.44%和84.99%,与传统DeepLabV3+相比，其参数量、计算量分别减少82.55%和62.52%,推理速度提高71.92%.在保持高精度的同时，显著降低计算成本，实现了准确性与模型轻量化之间的有效平衡.

关键词

语义分割 / DeepLabV3+ / 注意力机制 / 多层级特征融合

基金资助

科技部国家重点研发计划资助项目(2022YFB4702401); 福建省自然科学基金资助项目(2024J01241)