典型文献
基于多路径特征提取的实时语义分割方法
文献摘要：
深度学习在图像语义分割领域的应用极大地提升了分割精确度,但由于深度学习网络在速度、内存等方面的限制,其并不能直接应用于嵌入式设备进行实时分割.针对语义分割模型存在的的网络结构复杂和计算开销巨大的问题,提出了结合边缘检测算法的多路径特征提取的实时语义分割算法.模型通过Sobel算子、Scharr算子和Laplacian算子对图像的轮廓信息进行提取.算法设计了空间路径提取图像的空间位置信息、语义路径提取图像高级语义信息,以及通过边缘检测路径提取图像中具有代表性的纹理特征,并采用Ghost轻量化模块来减少模型参数量,提高算法的分割速度.在480像素×360像素的Cam-Vid数据集上的实验结果表明,在3种边缘检测算子上,模型的分割准确率均能得到有效提升,尤其是在加入3×3大小的So-bel算子下算法的性能提升最为明显,在CamVid测试集图像处理速度为349 frames/s的基础上,分割精度达到了42.9％.所提算法在分割精度和分割速度上均取得了较好的效果,在实时性和准确性之间达到了很好的平衡.
文献关键词：
深度学习;边缘检测;实时语义分割;特征融合;多特征提取
中图分类号：
作者姓名：
程成;降爱莲
作者机构：
太原理工大学信息与计算机学院 山西晋中030600
文献出处：
引用格式：
[1]程成;降爱莲-.基于多路径特征提取的实时语义分割方法)[J].计算机科学,2022(07):120-126
A类：
Vid
B类：
多路径,实时语义分割,分割方法,图像语义分割,深度学习网络,接应,嵌入式设备,分割模型,计算开销,边缘检测算法,分割算法,Sobel,Scharr,Laplacian,算法设计,路径提取,空间位置信息,高级语义信息,检测路径,纹理特征,Ghost,轻量化模块,模型参数量,像素,性能提升,CamVid,测试集,处理速度,frames,特征融合,多特征提取
AB值：
0.353293
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
