一种基于空洞卷积组合的轻量级语义分割方法

2021-12-08张晓庆刘伟科

山东科技大学学报(自然科学版) 2021年6期

张晓庆，刘伟科

(1.山东科技大学计算机科学与工程学院，山东青岛 266590；2.山东科技大学网络安全与信息化办公室，山东青岛 266590)

图像语义分割对自动驾驶[1]、机器人传感等技术具有潜在应用价值，通过对每个像素赋予具体意义的语义标签并根据语义标签信息分割图像，是机器视觉中场景理解与分析的一个重要研究课题。近年来，随着计算机软硬件技术的快速发展，以卷积网络为代表的深度学习方法取得了较大的突破。2014年，Long等[2]提出利用深度学习方法进行图像语义分割的网络—全卷积神经网络(fully convolutional networks，FCN)，随后SegNet[3]、U-Net[4]、DeepLab[5]系列、ESP-Net[6]系列等先进的语义分割网络[7]相继被提出。2015年，以U-Net为代表的编码-解码结构[8]的网络，因为分割准确率高而受到广大学者的重视，但是这类网络体量大、参数多，对算力的要求高。为降低算力，提高网络训练速度，多种轻量级的语义分割网络被提出，如Refine Net-LW[9]、LiteSeg[10]、PSPNet[11]、ESPNet系列[12-13]，但这类网络的准确率相比非轻量级的网络较低。针对这一问题，本研究在保证准确率的前提下，以提高卷积效率、降低网络参数量为目标，提出一个级联多分枝的空洞卷积组合NG-APC模块，通过规范空洞卷积组合中的空洞率，解决空洞卷积中出现的栅格问题，并结合深度可分离卷积降低网络的参数量，搭建编-解码结构的NA-U-Net，得到一种高效的轻量级语义分割方法。