基于密集连接与特征增强的语义分割算法

在语义分割算法DeepLabv3+中，由于对主干网络提取的特征信息利用不充分，导致了分割边缘不连续、目标丢失以及分割错误等问题。为此，提出一种基于密集连接和特征增强的语义分割算法。采用共享空洞空间金字塔池化(S-ASPP)模块建立多个空洞卷积之间的联系，增强局部信息之间的语义关联，捕获密集的采样点像素，同时提高对高层特征信息的利用。引入特征金字塔增强模块(FPEM)和特征融合模块(FFM)，对主干网络输出的多层特征信息进行处理，增强特征的表达能力，并采用FFM对FPEM输出的不同尺度特征信息进行融合，提高各层特征之间的互补能力，以获得更全面的特征图信息。在此基础上，将S-ASPP和FFM的输出进行拼接和卷积操作，得到最终的分割结果。在PASCAL VOC 2012和Cityscapes数据集上的实验结果表明，该算法的平均交并比分别达到81.13%和73.39%，相较于基准算法DeepLabv3+分别提升了2.3和2.1个百分点，充分利用了骨干网络中的每层特征信息，提升了算法的分割精度，取得了较好的分割效果。