科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对深度学习图像语义分割方法中存在分割精度低、损失率高的问题，提出了融合转置卷积与深度残差图像语义分割方法。首先，为了解决神经网络深度增加引起分割精度下降、收敛速度慢的问题，设计一种深度残差学习模块来提升网络的训练效率和收敛速度；然后，为了使上采样过程与特征提取过程中特征图融合精度更高，将深度残差U-net模型中UpSampling2D和转置卷积两种上采样方式进行拼接，形成新的上采样模块；最后，针对于网络训练过程中训练集与验证集之间存在的权值过度拟合问题，在网络的跳跃连接层引入Dropout，增强了网络的学习能力。在CamVid数据集上对算法的性能进行了证明，算法语义分割精度达到89.93%、损失率降到0.23，与U-net模型相比验证集精度提高了13.13%，损失率降低了1.20，优于当前的图像语义分割方法。所提出的图像语义分割新模型，综合了U-net模型的优点，使得图像语义分割精度更高、语义分割的效果更好，有效提升了算法的鲁棒性。
- 单位
