科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统道路图像语义分割方法精度低、速度慢，并且难以部署在移动端设备的问题，提出基于UNet的轻量化语义分割模型Faster-UNet，该模型继承UNet编码-解码的结构特点并兼具多层特征感知能力。针对道路场景景深变化特点，Faster-UNet模型仅进行3次下采样来提取图像特征，在减少了模型参数量的同时，又最大限度保留了物体边缘特征；针对削减深层特征导致的类别模糊问题，在模型拼接编码与解码的部分，使用空间金字塔池化（ASPP）模块提取图像多尺度信息进行特征增强；为了进一步整合各通道特征的权重，在模型解码部分嵌入通道注意力模块，进行特征图权重的自适应调节。所提模型在以上三点创新的基础上，在道路场景Camvid数据集上进行验证实验，结果表明：Faster-UNet的MIoU由UNet的60.5%提升到65.0%，并且模型大小由UNet的118.42 Mb下降至Faster-UNet的20.76 Mb，网络模型性能优良。所提算法在针对道路分割问题优化模型结构的同时提高了分割精度，从而为自动驾驶技术提供了一定的理论基础和工程应用参考。
- 出版日期2022
