基于Deeplab V3 Plus的自适应注意力机制图像分割算法

doi:10.11772/j.issn.1001-9081.2021010137

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (1): 230-238.DOI: 10.11772/j.issn.1001-9081.2021010137

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于Deeplab V3 Plus的自适应注意力机制图像分割算法

杨贞, 彭小宝(), 朱强强, 殷志坚

江西科技师范大学通信与电子学院，南昌 330013

收稿日期:2021-01-25 修回日期:2021-04-22 接受日期:2021-05-10 发布日期:2021-06-04 出版日期:2022-01-10
通讯作者: 彭小宝
作者简介:杨贞（1985—），男，山东菏泽人，讲师，博士，CCF会员，主要研究方向：目标检测、图像分割
彭小宝（1995—），男，江西新余人，硕士研究生，主要研究方向：图像分割
朱强强（1995—），男，安徽阜阳人，硕士研究生，主要研究方向：目标检测与识别
殷志坚（1968—），男，江西南昌人，教授，硕士，主要研究方向：目标识别与跟踪。

Image segmentation algorithm with adaptive attention mechanism based on Deeplab V3 Plus

Zhen YANG, Xiaobao PENG(), Qiangqiang ZHU, Zhijian YIN

College of Communication and Electronics，Jiangxi Science and Technology Normal University，Nanchang Jiangxi 330013，China

Received:2021-01-25 Revised:2021-04-22 Accepted:2021-05-10 Online:2021-06-04 Published:2022-01-10
Contact: Xiaobao PENG
About author:YANG Zhen， born in 1985， Ph. D.， lecturer. His research interests include object detection， image segmentation.
PENG Xiaobao， born in 1995， M. S. candidate. His research interests include image segmentation.
ZHU Qiangqiang， born in 1995， M. S. candidate. His research interests include object detection and recognition.
YIN Zhijian， born in 1968， M. S.， professor. His research interests include object recognition and tracking.
Supported by:
National Natural Science Foundation of China(61866016);Surface Program of Jiangxi Natural Science Foundation(20202BABL202014);Outstanding Youth Project of Jiangxi Science and Technology Normal University(2018QNBJRC002)

摘要/Abstract

摘要：

针对Deeplab V3 Plus在下采样操作中图像细节信息和小目标信息过早丢失的问题，提出了一种基于Deeplab V3 Plus网络架构的自适应注意力机制图像语义分割算法。首先，在Deeplab V3 Plus主干网络的输入层、中间层和输出层均嵌入注意力机制模块，并且引入一个权重值与每个注意力机制模块相乘，以达到约束注意力机制模块的目的；其次，在PASCAL VOC2012 公共分割数据集上训练嵌入注意力模块的Deeplab V3 Plus，以此手动获取注意力机制模块权重值（经验值）；然后，探索输入层、中间层和输出层中注意力机制模块的多种融合方式；最后，将注意力机制模块的权重值更改为反向传播自动更新，从而得到注意力机制模块的最优权值和最优分割模型。实验结果表明，与原始Deeplab V3 Plus网络结构相比，引入自适应注意力机制的Deeplab V3 Plus网络结构在PASCAL VOC2012公共分割据集和植物虫害数据集上的平均交并比（MIOU）分别提高了1.4个百分点和0.7个百分点。

关键词: 语义分割, 下采样操作, 自适应注意力机制, 注意力机制模块权重值, Deeplab V3 Plus

Abstract:

In order to solve the problem that image details and small target information are lost prematurely in the subsampling operations of Deeplab V3 Plus， an adaptive attention mechanism image semantic segmentation algorithm based on Deeplab V3 Plus network architecture was proposed. Firstly， attention mechanism modules were embedded in the input layer， middle layer and output layer of Deeplab V3 Plus backbone network， and a weight value was introduced to be multiplied with each attention mechanism module to achieve the purpose of constraining the attention mechanism modules. Secondly， the Deeplab V3 Plus embedded with the attention modules was trained on the PASCAL VOC2012 common segmentation dataset to obtain the weight values （empirical values） of the attention mechanism modules manually. Then， various fusion methods of attention mechanism modules in the input layer， the middle layer and the output layer were explored. Finally， the weight value of the attention mechanism module was automatically updated by back propagation and the optimal weight value and optimal segmentation model of the attention mechanism module were obtained. Experimental results show that， compared with the original Deeplab V3 Plus network structure， the Deeplab V3 Plus network structure with adaptive attention mechanism has the Mean Intersection over Union （MIOU） increased by 1.4 percentage points and 0.7 percentage points on the PASCAL VOC2012 common segmentation dataset and the plant pest dataset， respectively.

Key words: semantic segmentation, subsampling operation, adaptive attention mechanism, weight value of attention mechanism module, Deeplab V3 Plus

中图分类号:

TP391.41

杨贞, 彭小宝, 朱强强, 殷志坚. 基于Deeplab V3 Plus的自适应注意力机制图像分割算法[J]. 计算机应用, 2022, 42(1): 230-238.

Zhen YANG, Xiaobao PENG, Qiangqiang ZHU, Zhijian YIN. Image segmentation algorithm with adaptive attention mechanism based on Deeplab V3 Plus[J]. Journal of Computer Applications, 2022, 42(1): 230-238.

图/表 14

图1 嵌入自适应注意力机制模块的Deeplab V3 Plus网络结构示意图

Fig. 1 Structure schematic diagram of Deeplab V3 Plus network embedded with adaptive attention mechanism module

图2 标准卷积与带空洞的深度可分离卷积

Fig. 2 Standard convolution and atrous depthwise separable convolution

表1 不同α值对应模型训练的现象

Tab. 1 Phenomena of different α values corresponding to model training

$α$ 值	模型训练的现象
1	梯度消失较早，训练终止
5	梯度消失，训练终止
10	训练较为平稳

表1 不同α值对应模型训练的现象

Tab. 1 Phenomena of different α values corresponding to model training

$α$ 值	模型训练的现象
1	梯度消失较早，训练终止
5	梯度消失，训练终止
10	训练较为平稳

表2 测试模型时改变α的值对应的分割精度

Tab. 2 Segmentation accuracy corresponding to changing α value when testing model

$α$ 值	MIOU	$α$ 值	MIOU
-15.0	0.735	7.5	0.714
-12.5	0.740	10.0	0.726
-10.0	0.732	12.5	0.731
5.0	0.686	15.0	0.728

表2 测试模型时改变α的值对应的分割精度

Tab. 2 Segmentation accuracy corresponding to changing α value when testing model

$α$ 值	MIOU	$α$ 值	MIOU
-15.0	0.735	7.5	0.714
-12.5	0.740	10.0	0.726
-10.0	0.732	12.5	0.731
5.0	0.686	15.0	0.728

表3 验证不同α值对应的分割精度

Tab. 3 Verification of segmentation accuracy of different α values

$α$ 值	MIOU
-10.0	0.735
-12.5	0.752
-15.0	0.743

表3 验证不同α值对应的分割精度

Tab. 3 Verification of segmentation accuracy of different α values

$α$ 值	MIOU
-10.0	0.735
-12.5	0.752
-15.0	0.743

表4 三种注意力机制模块融合策略对应的分割精度

Tab. 4 Segmentation accuracies of three attention mechanism module fusion strategies

注意力机制模块融合方式	MIOU
方式1	0.755
方式2	0.754
方式3	0.752

表5 模型最优时各注意力机制模块的α值

Tab. 5 α value of each attention mechanism module when model is optimal

注意力机制模块	对应 $α$
S1	-12.2
S2	-12.3
S3	-12.6
S4	/
S5	-11.8

表5 模型最优时各注意力机制模块的α值

Tab. 5 α value of each attention mechanism module when model is optimal

注意力机制模块	对应 $α$
S1	-12.2
S2	-12.3
S3	-12.6
S4	/
S5	-11.8

图3 S1、S2、S3、S5模块α值的收敛曲线

Fig. 3 Convergence curve of α value of S1， S2， S3 and S5 modules

图4 五种不同方式在训练过程中损失函数的收敛曲线

Fig. 4 Convergence curves of loss function in training process of five different methods

表6 五种不同方式在VOC2012分割数据集上的分割精度

Tab. 6 Segmentation accuracies of five different methods on VOC2012 segmentation dataset

方式	MIOU	背景	飞机	自行车	鸟	船	瓶子	公共汽车	小汽车	猫	椅子	牛	桌子	狗	马	摩托	人	植物	羊	沙发	火车	电视
1	0.745	0.942	0.891	0.619	0.902	0.711	0.739	0.883	0.856	0.896	0.335	0.817	0.486	0.829	0.798	0.828	0.844	0.475	0.850	0.498	0.732	0.787
2	0.755	0.945	0.894	0.648	0.901	0.695	0.786	0.877	0.836	0.883	0.335	0.837	0.520	0.820	0.806	0.813	0.860	0.507	0.851	0.520	0.746	0.774
3	0.754	0.946	0.900	0.636	0.896	0.678	0.776	0.876	0.842	0.897	0.326	0.819	0.546	0.837	0.801	0.849	0.859	0.518	0.850	0.504	0.728	0.753
4	0.752	0.945	0.893	0.644	0.880	0.677	0.755	0.890	0.830	0.881	0.348	0.826	0.544	0.794	0.800	0.832	0.860	0.508	0.834	0.528	0.771	0.762
5	0.759	0.945	0.899	0.638	0.889	0.692	0.761	0.898	0.848	0.903	0.345	0.842	0.576	0.838	0.818	0.831	0.852	0.525	0.830	0.499	0.751	0.763

图5 五种不同方式在VOC2012分割数据集上的分割效果

Fig. 5 Segmentation effect of five different methods on VOC2012 segmentation dataset

表7 四种不同分割网络在VOC2012 val数据集上的分割结果

Tab. 7 Segmentation results of four different segmentation networks on VOC2012 val dataset

分割网络	MIOU
FCN-8S	0.627
Deeplab-MSc-CRF-LargeFOV	0.687
Deeplab V2	0.733
本文方法	0.759

表8 五种不同方式在自建植物虫害数据集上的分割精度

Tab. 8 Segmentation accuracy of five different methods on self-built plant pest dataset

方式	MIOU	背景	害虫
1	0.908	0.988	0.828
2	0.913	0.988	0.838
3	0.912	0.988	0.835
4	0.911	0.988	0.833
5	0.915	0.989	0.842

图6 五种不同方式在自建植物虫害数据集上的分割效果

Fig. 6 Segmentation effect of five different methods on self-built plant pest dataset

参考文献 35

1	白傑，郝培涵，陈思汉. 用轻量化卷积神经网络图像语义分割的交通场景理解［J］. 汽车安全与节能学报， 2018， 9（4）：433-440. 10.3969/j.issn.1674-8484.2018.04.010
	BAI J， HAO P H， CHEN S H. Traffic scene understanding using image semantic segmentation with an improved lightweight convolutional-neural-network［J］. Journal of Automotive Safety and Energy， 2018， 9（4）：433-440. 10.3969/j.issn.1674-8484.2018.04.010
2	苏健民，杨岚心，景维鹏. 基于U-Net的高分辨率遥感图像语义分割方法［J］. 计算机工程与应用， 2019， 55（7）：207-213. 10.1109/igarss.2019.8898198
	SU J M， YANG L X， JING W P. U-Net based semantic segmentation method for high resolution remote sensing image［J］. Computer Engineering and Applications， 2019， 55（7）：207-213. 10.1109/igarss.2019.8898198
3	宫进昌，赵尚义，王远军. 基于深度学习的医学图像分割研究进展［J］. 中国医学物理学杂志， 2019， 36（4）：420-424. 10.3969/j.issn.1005-202X.2019.04.010
	GONG J C， ZHAO S Y， WANG Y J. Research progress on deep learning-based medical image segmentation［J］. Chinese Journal of Medical Physics， 2019， 36（4）：420-424. 10.3969/j.issn.1005-202X.2019.04.010
4	何其伟，赵宇坤，宗兆翔. 基于Yolov3算法的视觉检测系统设计与实现［J］. 数字技术与应用， 2020， 38（8）：128-131.
	HE Q W， ZHAO Y K， ZONG Z X. Design and implementation of visual inspection system based on Yolov3 algorithm［J］. Digital Technology and Application， 2020， 38（8）：128-131.
5	张文彬，朱敏，张宁，等. 基于卷积神经网络的偏色光下植物图像分割方法［J］. 计算机应用， 2019， 39（12）：3665-3672. 10.11772/j.issn.1001-9081.2019040637
	ZHANG W B， ZHU M， ZHANG N， et al. Plant image segmentation method under bias light based on convolutional neural network［J］. Journal of Computer Applications， 2019， 39（12）： 3665-3672. 10.11772/j.issn.1001-9081.2019040637
6	孟楚楚，赵立宏. 结合梯度边缘信息改进的全局阈值法与GVF Snake模型的宫颈细胞图像分割［J］. 智能计算机与应用， 2019， 9（2）：28-32. 10.3969/j.issn.2095-2163.2019.02.006
	MENG C C， ZHAO L H. Segmentation of cervical cell image using improved global thresholding method with gradient edge information and GVF Snake model［J］. Intelligent Computer and Applications， 2019， 9（2）：28-32. 10.3969/j.issn.2095-2163.2019.02.006
7	刘舸，邓兴升. 结合深度学习和图割法的遥感影像建筑物检测［J］. 测绘通报， 2019（11）：69-73. 10.1109/igarss.2019.8898155
	LIU G， DENG X S. Remote sensing image building extraction based on deep learning and graph cut［J］. Bulletin of Surveying and Mapping， 2019（11）： 69-73. 10.1109/igarss.2019.8898155
8	张长江，汪晓东，吴建斌，等. 图像对比度增强的小波变换法［J］. 仪器仪表学报， 2005（S1）：630-631. 10.3321/j.issn:0254-3087.2005.08.290
	ZHANG C J， WANG X D， WU J B， et al. An algorithm to enhance contrast for image with wavelet transform［J］. Chinese Journal of Scientific Instrument， 2005（S1）：630-631. 10.3321/j.issn:0254-3087.2005.08.290
9	蒋晓悦，赵荣椿，江泽涛. 基于小波包框架及主成份分析的纹理图像分割［J］. 计算机工程与应用， 2004（4）：32-36. 10.3321/j.issn:1002-8331.2004.04.011
	JIANG X Y， ZHAO R C， JIANG Z T. Texture segmentation based on wavelet packets frame and principal component analysis［J］. Computer Engineering and Applications， 2004（4）：32-36. 10.3321/j.issn:1002-8331.2004.04.011
10	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
11	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， LNCS9351. Cham： Springer， 2015： 234-241.
12	BADRINARAYANAN V， KENDALL A， CIPOLLA R. SegNet： a deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（12）： 2481-2495. 10.1109/tpami.2016.2644615
13	ZHAO H S， SHI J P， QI X J， 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
14	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）［2020-11-16］.. 10.1109/tpami.2017.2699184
15	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
16	CHEN L C， PAPANDREOU G， SCHROFF F， et al. Rethinking atrous convolution for semantic image segmentation［EB/OL］. （2017-12-05）［2020-11-16］.. 10.1007/978-3-030-01234-2_49
17	CHEN L C， ZHU Y K， PAPANDREOU G， et al. Encoder-decoder with atrous separable convolution for semantic image segmentation［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS11211. Cham： Springer， 2018： 833-851. 10.1007/978-3-030-01234-2_49
18	WANG P Q， CHEN P F， YUAN Y， et al. Understanding convolution for semantic segmentation［C］// Proceedings of the 2018 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2018： 1451-1460. 10.1109/wacv.2018.00163
19	YU C Q， WANG J B， PENG C， et al. Learning a discriminative feature network for semantic segmentation［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 1857-1866. 10.1109/cvpr.2018.00199
20	FU J， LIU J， TIAN H J， 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
21	HUANG Z L， WANG X G， HUANG L C， et al. CCNet： criss-cross attention for semantic segmentation［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 603-612. 10.1109/iccv.2019.00069
22	YU C Q， WANG J B， GAO C X， et al. Context prior for scene segmentation［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 12413-12422. 10.1109/cvpr42600.2020.01243
23	FU C Y， LIU W， RANGA A， et al. DSSD： deconvolutional single shot detector［EB/OL］. （2017-01-23）［2020-11-16］.. 10.1109/icip.2017.8296850
24	FU J， LIU J， WANG Y H， et al. Stacked deconvolutional network for semantic segmentation［EB/OL］. （2017-08-16）［2020-11-16］.. 10.1109/icip.2017.8296850
25	NOH H， HONG S， HAN B. Learning deconvolution network for semantic segmentation［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1520-1528. 10.1109/iccv.2015.178
26	TIAN Z， HE T， SHEN C H， et al. Decoders matter for semantic segmentation： data-dependent decoding enables flexible feature aggregation［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3121-3130. 10.1109/cvpr.2019.00324
27	WANG J Q， CHEN K， XU R， et al. CARAFE： content-aware reassembly of features［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 3007-3016. 10.1109/iccv.2019.00310
28	MNIH V， HEESS N， GRAVES A， et al. Recurrent models of visual attention［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014： 2204-2212.
29	WANG F， JIANG M Q， QIAN C， et al. Residual attention network for image classification［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6450-6458. 10.1109/cvpr.2017.683
30	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
31	ZHANG H， DANA K， SHI J P， et al. Context encoding for semantic segmentation［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7151-7160. 10.1109/cvpr.2018.00747
32	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 6000-6010. 10.1016/s0262-4079(17)32358-8
33	ZHANG H， GOODFELLOW I， METAXAS D， et al. Self-attention generative adversarial networks［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019： 7354-7363.
34	CHOLLET F. Xception： deep learning with depthwise separable convolutions［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1800-1807. 10.1109/cvpr.2017.195
35	EVERINGHAM M， GOOL L VAN， WILLIAMS C K I， et al. The PASCAL Visual Object Classes （VOC） challenge［J］. International Journal of Computer Vision， 2010， 88（2）： 303-338. 10.1007/s11263-009-0275-4

[1]	李威, 陈玲, 徐修远, 朱敏, 郭际香, 周凯, 牛颢, 张煜宸, 易珊烨, 章毅, 罗凤鸣. 基于多任务学习的间质性肺病分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1285-1293.
[2]	王铂越, 李英祥, 钟剑丹. 基于改进Res-UNet的昼夜地基云图分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1310-1316.
[3]	张鹏飞, 韩李涛, 冯恒健, 李洪梅. 基于注意力机制和全局特征优化的点云语义分割[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.
[4]	吴宁, 罗杨洋, 许华杰. 基于多尺度特征融合的遥感图像语义分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 737-744.
[5]	刘永江, 陈斌. 基于多尺度记忆库的像素级无监督工业异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3587-3594.
[6]	李子怡, 曲婷婷, 崇乾鹏, 徐金东. 基于模糊多尺度特征的遥感图像分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3581-3586.
[7]	郑秋梅, 牛薇薇, 王风华, 赵丹. 基于细节增强的双分支实时语义分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3058-3066.
[8]	周迪, 张自力, 陈佳, 胡新荣, 何儒汉, 张俊. 基于EfficientNetV2和物体上下文表示的胃癌图像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2955-2962.
[9]	郑帅, 张晓龙, 邓鹤, 任宏伟. 基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2303-2310.
[10]	鲁斌, 柳杰林. 基于特征增强的三维点云语义分割[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1818-1825.
[11]	袁泉, 徐雲鹏, 唐成亮. 基于路径标签的文档级关系抽取方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1029-1035.
[12]	何雪东, 宣士斌, 王款, 陈梦楠. 融合累积分布函数和通道注意力机制的DeepLabV3+图像分割算法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 936-942.
[13]	廉飞宇, 张良, 王杰栋, 靳于康, 柴玉. 基于图模型与注意力机制的室外场景点云分割模型[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3911-3917.
[14]	钟建华, 邱创一, 巢建树, 明瑞成, 钟剑锋. 基于语义引导自注意力网络的换衣行人重识别模型[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3719-3726.
[15]	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》唯一官方网站, 2023, 43(10): 3077-3085.

基于Deeplab V3 Plus的自适应注意力机制图像分割算法

Image segmentation algorithm with adaptive attention mechanism based on Deeplab V3 Plus

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 35

相关文章 15

编辑推荐

Metrics