高低维特征引导的实时语义分割网络

doi:10.11772/j.issn.1001-9081.2022091438

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (10): 3077-3085.DOI: 10.11772/j.issn.1001-9081.2022091438

所属专题：人工智能

高低维特征引导的实时语义分割网络

虞资兴¹, 瞿绍军¹(), 何鑫², 王卓¹

^1.湖南师范大学信息科学与工程学院，长沙 410081
^2.湖南华诺星空电子技术有限公司，长沙 410221

收稿日期:2022-09-29 修回日期:2022-12-06 接受日期:2022-12-12 发布日期:2023-03-23 出版日期:2023-10-10
通讯作者: 瞿绍军
作者简介:虞资兴（1997—），男，湖南株洲人，硕士研究生，CCF会员，主要研究方向：计算机视觉、深度学习
瞿绍军（1979—），男，湖南永顺人，正高级实验师，博士，CCF会员，主要研究方向：图像分割、计算机视觉、深度学习. qshj@hunnu. edu. cn
何鑫（1987—），男，湖南邵阳人，博士，主要研究方向：深度学习、雷达视觉融合
王卓（2000—），女，湖南邵阳人，硕士研究生，CCF会员，主要研究方向：计算机视觉、深度学习。
基金资助:
国家自然科学基金资助项目(12071126)

High-low dimensional feature guided real-time semantic segmentation network

Zixing YU¹, Shaojun QU¹(), Xin HE², Zhuo WANG¹

^1.College of Information Science and Engineering，Hunan Normal University，Changsha Hunan 410081，China
^2.Hunan Novasky Electronic Technology Company Limited，Changsha Hunan 410221，China

Received:2022-09-29 Revised:2022-12-06 Accepted:2022-12-12 Online:2023-03-23 Published:2023-10-10
Contact: Shaojun QU
About author:YU Zixing， born in 1997， M. S. candidate. His research interests include computer vision， deep learning.
QU Shaojun， born in 1979， Ph. D.， senior experimentalist. His research interests include image segmentation， computer vision， deep learning.
HE Xin， born in 1987， Ph. D. His research interests include deep learning， radar-vision fusion.
WANG Zhuo， born in 2000， M. S. candidate. Her researchinterests include computer vision， deep learning.
Supported by:
National Natural Science Foundation of China(12071126)

摘要/Abstract

摘要：

多数语义分割网络利用双线性插值将高级特征图的分辨率恢复至与低级特征图一样的分辨率再进行融合操作，导致部分高级语义信息在空间上无法与低级特征图对齐，进而造成语义信息的丢失。针对以上问题，改进双边分割网络（BiSeNet），并基于此提出一种高低维特征引导的实时语义分割网络（HLFGNet）。首先，提出高低维特征引导模块（HLFGM）来通过低级特征图的空间位置信息引导高级语义信息在上采样过程中的位移；同时，利用高级特征图来获取强特征表达，并结合注意力机制来消除低级特征图中冗余的边缘细节信息以及减少像素误分类的情况。其次，引入改进后的金字塔池化引导模块（PPGM）来获取全局上下文信息并加强不同尺度局部上下文信息的有效融合。在Cityscapes验证集和CamVid测试集上的实验结果表明，HLFGNet的平均交并比（mIoU）分别为76.67%与70.90%，每秒传输帧数分别为75.0、96.2；而相较于BiSeNet，HLFGNet的mIoU分别提高了1.76和3.40个百分点。可见，HLFGNet能够较为准确地识别场景信息，并能满足实时性要求。

关键词: 实时语义分割, 上采样, 注意力机制, 金字塔池化, 上下文信息

Abstract:

Most semantic segmentation networks use bilinear interpolation to restore the resolution of the high-level feature map to the same resolution as the low-level feature map and then perform fusion operation， which causes that part of high-level semantic information cannot be spatially aligned with the low-level feature map， resulting in the loss of semantic information. To solve the problem， based on the improvement of Bilateral Segmentation Network （BiSeNet）， a High-Low dimensional Feature Guided real-time semantic segmentation Network （HLFGNet） was proposed. First， High-Low dimensional Feature Guided Module （HLFGM） was proposed to guide the displacement of high-level semantic information during the upsampling process through the spatial position information of the low-level feature map. At the same time， the strong feature representations were obtained by the high-level feature maps， and by combining with the attention mechanism， the redundant edge detail information in the low-level feature map was eliminated and the pixel misclassification was reduced. Then， the improved Pyramid Pooling Guided Module （PPGM） was introduced to obtain global contextual information and strengthen the effective fusion of local contextual information at different scales. Experimental results on Cityscapes validation set and CamVid test set show that HLFGNet has the mean Intersection over Union （mIoU） of 76.67% and 70.90% respectively， the frames per second reached 75.0 and 96.2 respectively. In comparison with BiSeNet， HLFGNet has the mIoU increased by 1.76 and 3.40 percentage points respectively. It can be seen that HLFGNet can accurately identify the scene information and meet the real-time requirements.

Key words: real-time semantic segmentation, upsampling, attention mechanism, pyramid pooling, contextual information

中图分类号:

TP391.4

虞资兴, 瞿绍军, 何鑫, 王卓. 高低维特征引导的实时语义分割网络[J]. 计算机应用, 2023, 43(10): 3077-3085.

Zixing YU, Shaojun QU, Xin HE, Zhuo WANG. High-low dimensional feature guided real-time semantic segmentation network[J]. Journal of Computer Applications, 2023, 43(10): 3077-3085.

图/表 13

图1 高低维特征引导的实时语义分割网络

Fig. 1 High-low dimensional feature guided real-time semantic segmentation network

表1 ResNet-18的详细结构

Tab. 1 Detail structure of ResNet-18

名称	操作	输出尺寸
输入	18-layer	1 024×1 024
Conv	$7 × 7$ ，64，stride=2	512×512
Pooling	$3 × 3$ ，Maxpool，stride=2	256×256
Res1	$3 × 3,64 3 × 3,64 × 2$	256×256
Res2	$3 × 3,128 3 × 3,128 × 2$	128×128
Res3	$3 × 3,256 3 × 3,256 × 2$	64×64
Res4	$3 × 3,512 3 × 3,512 × 2$	32×32

表1 ResNet-18的详细结构

Tab. 1 Detail structure of ResNet-18

名称	操作	输出尺寸
输入	18-layer	1 024×1 024
Conv	$7 × 7$ ，64，stride=2	512×512
Pooling	$3 × 3$ ，Maxpool，stride=2	256×256
Res1	$3 × 3,64 3 × 3,64 × 2$	256×256
Res2	$3 × 3,128 3 × 3,128 × 2$	128×128
Res3	$3 × 3,256 3 × 3,256 × 2$	64×64
Res4	$3 × 3,512 3 × 3,512 × 2$	32×32

表2 细节分支的详细结构

Tab. 2 Detail structure of detail branch

输入	操作	卷积核大小	输出通道大小	步长	输出尺寸
Stage1	Conv2d	7	64	2	512×512
Stage2	Conv2d	3	64	2	256×256
Stage3	Conv2d	3	64	2	128×128
Stage4	Conv2d	1	128	1	128×128

图2 高低维特征引导模块

Fig. 2 High-low dimensional feature guided module

图3 高层特征图的可视化对比

Fig. 3 Visual comparison of high-level feature map

图4 金字塔池化引导模块

Fig. 4 Pyramid pooling guided module

表3 在Cityscapes 验证集上验证不同设置下的性能

Tab. 3 Performance validation on Cityscapes validation set under different settings

分割模型	UP	HLFGM	AVG	PPM	PPGM	参数量/MB	mIoU/%	帧率/（frame·s^-1）
BiSeNet	√		√			51.35	74.91	83.0
	√			√		50.28	75.21	79.0
	√				√	50.35	76.25	76.0
HLFGNet		√	√			51.14	75.10	71.0
		√		√		50.29	76.01	78.0
		√			√	50.53	76.67	75.0

表4 权重系数实验结果

Tab. 4 Weighting coefficient experiment results

α	mIoU/%	α	mIoU/%
1.0	75.82	0.5	76.51
0.9	75.64	0.4	76.42
0.8	76.40	0.3	76.29
0.7	76.67	0.0	63.80
0.6	76.52

表5 对不同尺度特征图进行Guide操作的对比实验结果

Tab. 5 Comparison experiment results of Guide operation on feature maps with different scales

模块	1×1	2×2	3×3	6×6	参数量/MB	mIoU/%	帧率/（frame·s^-1）
PPGM-1	√	√	√	√	50.53	76.09	68.0
PPGM-2		√	√	√	50.53	76.88	70.0
PPGM-3			√	√	50.53	76.67	75.0
PPGM-4				√	50.53	75.51	76.0
PPM					50.29	76.01	78.0

表6 不同网络在Cityscapes数据集上的实验结果对比

Tab. 6 Comparison of experimental results of different networks on Cityscapes dataset

网络	输入尺寸	骨干网络	参数量/MB	mIoU/%		帧率/（frame·s^-1）
网络	输入尺寸	骨干网络	参数量/MB	验证集	测试集	帧率/（frame·s^-1）
ICNet	1 024×2 048	PSPNet50	28.30	71.70	69.50	15.2
DFANet-A	1 024×1 024	Xception	7.80	71.90	71.30	50.0
FasterSeg	1 024×2 048	无	4.40	73.10	71.50	94.2
DF2-Seg2	1 024×2 048	DF2	56.55	76.90	75.30	28.2
STDC2-Seg75	768×1 536	STDC	61.67	77.00	76.80	48.9
STDC2-Seg75*	768×1 536	STDC	61.67	74.20	73.20	48.9
BiSeNet	1 024×2 048	ResNet18	51.35	74.91	74.50	83.0
BiSeNet V2	1 024×2 048	无	20.16	74.20	72.90	83.4
BASeNet	1 024×2 048	无	—	77.50	74.90	47.2
BiSeNet V2-L	512×1 024	无	123.75	75.80	75.30	23.6
HLFGNet	1 024×2 048	ResNet18	50.53	76.67	75.40	75.0

表7 Cityscapes测试集上各个类别的准确率 (%)

Tab. 7 Accuracy for each category on Cityscapes test set

类别	FasterSeg	HLFGNet	BiSeNet
平均值	71.45	75.43	74.56
road	98.02	98.27	98.20
sidewalk	83.48	83.74	83.17
building	91.13	91.82	91.62
wall	39.13	45.19	44.99
fence	48.70	52.77	50.69
pole	58.60	61.53	61.99
traffic light	66.73	71.04	71.29
traffic sign	71.60	74.21	74.63
vegetation	92.33	92.81	92.78
terrain	69.11	71.51	70.44
sky	94.49	95.19	94.91
person	81.47	83.63	83.40
rider	61.78	66.09	66.19
car	93.68	95.25	94.98
truck	54.95	64.53	61.38
bus	67.09	77.86	75.45
train	61.11	72.14	67.03
motorcycle	54.90	63.05	61.22
bicycle	69.21	72.58	72.34

表8 不同模型在CamVid测试集上的对比分析

Tab. 8 Comparison and analysis of different models on CamVid test set

模型	输入尺寸	mIoU/%	帧率/（frame·s^-1）
SegNet	720×960	60.10	4.6
ICNet	720×960	67.10	34.5
ENet	720×960	51.30	61.2
BiSeNet V2	720×960	70.80	81.9
BiSeNet	720×960	67.50	115.0
HLFGNet	720×960	70.90	96.2

图5 语义分割实验效果的可视化对比

Fig. 5 Visual comparison of semantic segmentation experimental effects

参考文献 40

1	罗会兰，张云. 基于深度网络的图像语义分割综述［J］. 电子学报， 2019， 47（10）：2211-2220. 10.3969/j.issn.0372-2112.2019.10.024
	LUO H L， ZHANG Y. A survey of image semantic segmentation based on deep network［J］. Acta Electronica Sinica， 2019， 47（10）： 2211-2220. 10.3969/j.issn.0372-2112.2019.10.024
2	张新明，李振云，郑颖. 融合Fisher准则和势函数的多阈值图像分割［J］. 计算机应用， 2012， 32（10）：2843-2847. 10.3724/sp.j.1087.2012.02843
	ZHANG X M， LI Z Y， ZHENG Y. Multi-threshold image segmentation based on combining Fisher criterion and potential function［J］. Journal of Computer Applications， 2012， 32（10）： 2843-2847. 10.3724/sp.j.1087.2012.02843
3	柳萍，阳爱民. 一种基于区域的彩色图像分割方法［J］. 计算机工程与应用， 2007， 43（6）：37-39， 64. 10.3321/j.issn:1002-8331.2007.06.012
	LIU P， YANG A M. A method of region-based color image segmentation［J］. Computer Engineering and Applications， 2007， 43（6）： 37-39， 64. 10.3321/j.issn:1002-8331.2007.06.012
4	李翠锦，瞿中. 基于深度学习的图像边缘检测算法综述［J］. 计算机应用， 2020， 40（11）：3280-3288.
	LI C J， QU Z. Review of image edge detection algorithms based on deep learning［J］. Journal of Computer Applications， 2020， 40（11）： 3280-3288.
5	宋杰，于裕，骆起峰. 基于RCF的跨层融合特征的边缘检测［J］. 计算机应用， 2020， 40（7）：2053-2058.
	SONG J， YU Y， LUO Q F. Cross-layer fusion feature based on richer convolutional features for edge detection［J］. Journal of Computer Applications， 2020， 40（7）： 2053-2058.
6	瞿绍军. 基于最优化理论的图像分割方法研究［D］. 长沙：湖南师范大学， 2018：32-66.
	QU S J. Research on image segmentation based on optimization theory［D］. Changsha： Hunan Normal University， 2018： 32-66.
7	LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 3431-3440. 10.1109/cvpr.2015.7298965
8	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90. 10.1145/3065386
9	张鑫，姚庆安，赵健，等. 全卷积神经网络图像语义分割方法综述［J］. 计算机工程与应用， 2022， 58（8）：45-57. 10.3778/j.issn.1002-8331.2109-0091
	ZHANG X， YAO Q A， ZHAO J， et al. Image semantic segmentation based on fully convolutional neural network［J］. Computer Engineering and Applications， 2022， 58（8）： 45-57. 10.3778/j.issn.1002-8331.2109-0091
10	ZHAO H， SHI J， QI X， et al. Pyramid scene parsing network［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6230-6239. 10.1109/cvpr.2017.660
11	CHEN L C， PAPANDREOU G， KOKKINOS I， et al. DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（4）： 834-848. 10.1109/tpami.2017.2699184
12	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
13	YU C， WANG J， PENG C， et al. BiSeNet： bilateral segmentation network for real-time semantic segmentation［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11217. Cham： Springer， 2018： 334-349.
14	LI X， YOU A， ZHU Z， et al. Semantic flow for fast and accurate scene parsing［C］// Proceedings of the 2020 European Conference on Computer Vision， LNCS 12346. Cham： Springer， 2020： 775-793.
15	CORDTS M， OMRAN M， RAMOS S， et al. The Cityscapes dataset for semantic urban scene understanding［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 3213-3223. 10.1109/cvpr.2016.350
16	BROSTOW G J， SHOTTON J， FAUQUEUR J， et al. Segmentation and recognition using structure from motion point clouds［C］// Proceedings of 2008 the European Conference on Computer Vision， LNCS 5302. Berlin： Springer， 2008： 44-57.
17	CHEN L C， PAPANDREOU G， KOKKINOS I， et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs［EB/OL］. （2016-06-07）［2022-10-01］.. 10.1109/tpami.2017.2699184
18	CHEN L C， PAPANDREOU G， SCHROFF F， et al. Rethinking atrous convolution for semantic image segmentation［EB/OL］. （2017-12-05）［2022-10-24］.. 10.1007/978-3-030-01234-2_49
19	CHEN L C， ZHU Y， PAPANDREOU G， et al. Encoder-decoder with atrous separable convolution for semantic image segmentation［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 801-818. 10.1007/978-3-030-01234-2_49
20	PASZKE A， CHAURASIA A， KIM S， et al. ENet： a deep neural network architecture for real-time semantic segmentation［EB/OL］. （2016-06-07）［2022-04-10］.. 10.48550/arXiv.1606.02147
21	ZHAO H， QI X， SHEN X， et al. ICNet for real-time semantic segmentation on high-resolution images［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11207. Cham： Springer 2018： 418-434.
22	YU C， GAO C， WANG J， et al. BiSeNet V2： bilateral network with guided aggregation for real-time semantic segmentation［J］. International Journal of Computer Vision， 2021， 129（11）： 3051-3068. 10.1007/s11263-021-01515-2
23	FAN M， LAI S， HUANG J， et al. Rethinking BiSeNet for real-time semantic segmentation［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 9711-9720. 10.1109/cvpr46437.2021.00959
24	PENG J， LIU Y， TANG S， et al. PP-LiteSeg： a superior real-time semantic segmentation model［EB/OL］. （2022-04-06）［2022-08-06］..
25	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：7132-7141. 10.1109/cvpr.2018.00745
26	WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 3-19.
27	FU J， LIU J， TIAN H， et al. Dual attention network for scene segmentation［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3141-3149. 10.1109/cvpr.2019.00326
28	WANG D， LI N， ZHOU Y， et al. Bilateral attention network for semantic segmentation［J］. IET Image Processing， 2021， 15（8）： 1607-1616. 10.1049/ipr2.12129
29	文凯，唐伟伟，熊俊臣. 基于注意力机制和有效分解卷积的实时分割算法［J］. 计算机应用， 2022， 42（9）：2659-266.
	WEN K， TANG W W， XIONG J C. Real-time segmentation algorithm based on attention mechanism and effective factorized convolution［J］. Journal of Computer Applications， 2022， 42（9）： 2659-266.
30	吴琼，瞿绍军. 融合注意力机制的端到端的街道场景语义分割［J］. 小型微型计算机系统， 2023， 44（7）：1514-1520.
	WU Q， QU S J. End-to-end semantic segmentation of street scene with attention mechanism［J］. Journal of Chinese Computer Systems， 2023， 44（7）： 1514-1520.
31	欧阳柳，贺禧，瞿绍军. 全卷积注意力机制神经网络的图像语义分割［J］. 计算机科学与探索， 2022， 16（5）：1136-1145. 10.3778/j.issn.1673-9418.2105095
	OU Y L， HE X， QU S J. Fully convolutional neural network with attention module for semantic segmentation［J］. Journal of Frontiers of Computer Science and Technology， 2022， 16（5）： 1136-1145. 10.3778/j.issn.1673-9418.2105095
32	ZHANG X， DU B， WU Z， et al. LAANet： lightweight attention-guided asymmetric network for real-time semantic segmentation［J］. Neural Computing and Applications， 2022， 34（5）： 3573-3587. 10.1007/s00521-022-06932-z
33	LIU J， XU X， SHI Y， et al. RELAXNet： residual efficient learning and attention expected fusion network for real-time semantic segmentation［J］. Neurocomputing， 2022， 474： 115-127. 10.1016/j.neucom.2021.12.003
34	LI H， XIONG P， FAN H， et al. DFANet： deep feature aggregation for real-time semantic segmentation［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 9514-9523. 10.1109/cvpr.2019.00975
35	HUANG Z， WEI Y， WANG X， et al. AlignSeg： feature-aligned segmentation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（1）： 550-557.
36	WU Y， JIANG J， HUANG Z， et al. FPANet： feature pyramid aggregation network for real-time semantic segmentation［J］. Applied Intelligence， 2022， 52（3）： 3319-3336. 10.1007/s10489-021-02603-z
37	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
38	ZHOU B， KHOSLA A， LAPEDRIZA A， et al. Object detectors emerge in deep scene CNNs［EB/OL］. （2015-04-15）［2022-05-12］..
39	霍占强，贾海洋，乔应旭，等. 边界感知的实时语义分割网络［J］. 计算机工程与应用， 2022， 58（17）：165-173. 10.3778/j.issn.1002-8331.2112-0247
	HUO Z Q， JIA H Y， QIAO Y X， et al. Boundary-aware real-time semantic segmentation network［J］. Computer Engineering and Applications， 2022， 58（17）： 165-173. 10.3778/j.issn.1002-8331.2112-0247
40	CHEN W， GONG X， LIU X， et al. FasterSeg： searching for faster real-time semantic segmentation［EB/OL］. （2020-01-16）［2022-06-14］..

[1]	张秋余, 温永旺. 用于语音检索的三联体深度哈希方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2910-2918.
[2]	王宏, 钱清, 王欢, 龙永. 融合大核注意力卷积的轻量化图像篡改定位算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2692-2699.
[3]	李众, 王雅婧, 马巧梅. 基于空洞卷积的医学图像超分辨率重建算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2940-2947.
[4]	杨昊, 张轶. 基于上下文信息和多尺度融合重要性感知的特征金字塔网络算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2727-2734.
[5]	袁国龙, 张玉金, 刘洋. 基于残差反馈和自注意力的图像篡改取证网络[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2925-2931.
[6]	段升位, 程欣宇, 王浩舟, 王飞. 基于改进的YOLOv5的大坝表面病害检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2619-2629.
[7]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众. 融合注意力和裁剪机制的通用文本分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[8]	齐爱玲, 王宣淋. 基于中层细微特征提取与多尺度特征融合细粒度图像识别[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2556-2563.
[9]	金泽熙, 李磊, 刘继. 基于改进领域分离网络的迁移学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2382-2389.
[10]	王静红, 周志霞, 王辉, 李昊康. 双路自编码器的属性网络表示学习[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2338-2344.
[11]	梁美佳, 刘昕武, 胡晓鹏. 基于改进YOLOv3的列车运行环境图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2611-2618.
[12]	刘源, 董永权, 贾瑞, 杨昊霖. 面向个性化课程推荐的分层分期注意力网络模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2358-2363.
[13]	拓雨欣, 薛涛. 融合指针网络与关系嵌入的三元组联合抽取模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2116-2124.
[14]	秦源源, 张鸿. 基于注意力特征金字塔网络的肺结节检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2311-2318.
[15]	梁敏, 刘佳艺, 李杰. 融合迭代反馈与注意力机制的图像超分辨重建方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.

高低维特征引导的实时语义分割网络

High-low dimensional feature guided real-time semantic segmentation network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 40

相关文章 15

编辑推荐

Metrics