科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的指静脉分割网络大多需要消耗极大内存和计算资源，难以直接部署到嵌入式平台上，大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题。针对上述问题，本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet。首先，使用沙漏状的深度可分离卷积极大地减少基础模型参数，并采用轻量级高效注意力模块实现无降维的局部跨通道交互，提升网络分割性能。其次，为了解决部分特征图存在冗余的问题，使用Cheap operation来替代部分“懈怠”的卷积核，得到相似的特征图。最后，采用特征信息交互的方法，打开分组卷积的组间通道，解决了分组特征组之间信息不流通的问题。与传统Unet分割网络相比，最终的SGUnet模型参数量约为传统Unet分割网络的1%,Mult-Adds约为0.5%。在两个公开的手指静脉数据集SDU-FV、MMCBNU-6000上验证网络性能，结果表明SGUnet网络在分割性能上不仅优于大型分割网络Unet、DU-Net、R2U-Net，而且超越了经典轻量级改进模型squeeze-Unet、Mobile-Unet、shuffle-Unet、Ghost-Unet。SGUnet网络Accuracy、Dice、AUC分别达到94.11%、0.538 4、0.935 4，并且在NVIDIA嵌入式平台上指静脉纹络提取的测试速度高达0.27秒/张。
- 单位
