针对当前Deeplab v3+模型没有充分采用高分辨率的浅层特征出现的错误分割、遗漏分割等现象, 提出一种融合多尺度特征的改进Deeplab v3+特征图像语义分割算法。在主干网络中, 引入多尺度金字塔卷积; 将空洞空间卷积池化金字塔中的标准卷积替换为深度可分离卷积, 减少整体模型的参数量; 最后, 在解码层采用多尺度方法来捕捉获取全局背景, 将背景特征通过注意力机制, 再与浅层特征和空洞空间金字塔池化层结合, 丰富融合后的浅层特征语义信息。实验表明, 在CityScapes验证集中, 所提算法具有更好的边缘分割效果, 平均交并比达到了74.76%, 较原有算法提升了2.20%。通过与先进算法比较, 也证明所提算法应对改善错误分割、遗漏分割的有效性。
深度学习 语义分割 多尺度 注意力机制 迁移学习 deep learning semantic segmentation multi-scale attention mechanism transfer learning