摘要

【目的】语义分割被广泛应用于医学图像分割、无人驾驶、遥感图像分割等计算机视觉任务中。而目前语义分割方法通常所需的计算量和参数量庞大,难以在算力和硬件存储有限的嵌入式平台部署。针对这一问题,从网络的参数量,计算量和性能三个方面综合考虑,设计了一种轻量化语义分割方法。【方法】以轻量化网络MobileNetV2为主干,使用深度可分离卷积对模型进行压缩,分为高低语义两条路径向前推导。为了保证网络性能,高语义路径通过融合金字塔池化与双重注意力模块来获取准确的上下文信息;低语义路径通过多尺度拼接与类似于注意力机制的信息传递模块来获取清晰的分割边界;最后拼接两条路径获取分割结果。【结果】在PASCAL VOC 2012数据集上的实验中,和主流网络模型相比,该模型的网络参数量仅为PSPNet参数量的4.9%,DeeplabV3+的4.2%;浮点计算量仅为PSPNet浮点计算量的6.7%,DeeplabV3+的4.8%;平均交并比略低于PSPNet与DeeplabV3+。【结论】保证网络性能的同时实现了轻量化。