基于改进U-Net的车间场景分割

摘要

为了更好地对车间环境进行把控，同时针对车间目标像素级分割任务样本少、类别多、尺度变化大导致的语义分割精度低的问题，设计了一种改进的U-Net车间场景分割模型。改进的模型采用Rep-VGG轻量级主干网络，并在U-Net上采样阶段引入金字塔拆分注意力机制，以增加模型的特征表达能力及推理速度。模型训练则采用Dice-Cross Entropy组合损失函数以解决样本不均衡导致的难以训练的问题。实验数据表明该模型在自建的小样本车间数据集上可达到快速、轻量化及高精度的分割效果。

关键词

语义分割 / 轻量级神经网络 / 注意力机制 / 组合损失函数 / 深度学习