基于全局卷积神经网络的复杂图像语义分割方法

摘要

语义分割的场景图像易受不同光照强度以及类别多样性的影响,尤其是在复杂的图像分割任务中,由于不同物体间的像素值差异过大或过小,造成分割图像的纹理和几何特征缺失,即产生欠分割、过分割现象.针对上述问题,利用深度卷积神经网络,研究基于全局卷积神经网络的复杂图像语义分割方法.首先,提出多尺度残差空间金字塔池化模块,在网络中获取到更加稠密和完备的图像低层特征[1];其次,网络考虑全局信息,提出基于注意力机制的解码器模块,有效捕获图像像素的纹理特征、颜色特征和上下文信息,从而得到完整的分割结果.该方法在Camvid数据集上分割精确度达68.5％(MIoU)且在Cityscapes数据集上分割精度达78.3％.