摘要：实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。

摘要：针对纺锤形鱼类图像分割任务中存在的边缘不清、特征模糊等问题,提出一种基于多特征增强融合的纺锤形鱼类图像分割网络KoiU⁃Net。该网络在经典的U⁃Net模型基础上,设计了多尺度特征交叉感知模块和多尺度特征融合模块来增强对纺锤形鱼类特征的处理能力,以应对纺锤形鱼类图像分割中存在的边缘模糊、特征复杂的问题。同时,设计了多尺度上采样模块以提取更精细的特征信息。在纺锤形鱼类图像数据集上的实验表明,相较于原始U⁃Net等其他分割网络,KoiU⁃Net取得了平均98.63%的分割精度的显著提升。各设计模块的有效性也通过消融实验得以验证,尤其是多尺度特征交叉感知模块对提升分割性能具有关键作用。该研究为进一步实现纺锤形鱼类生长状态监测提供了有效的技术支撑,为该领域的进一步发展奠定了基础。

摘要：[目的]针对传统图像分割算法对穴盘幼苗图像分割精确度不高、分割效率低等问题,本研究提出一种基于改进SOLOv2的穴盘幼苗实例分割算法。[方法]在SOLOv2算法架构的基础上,将拆分注意力网络(ResNeSt)与特征金字塔(feature pyramid network, FPN)相融合作为主干提取网络,提取幼苗的特征信息;采集穴盘幼苗图像制作成数据集,引入多尺度变换和网格擦除等手段进行数据增强,再结合可变形卷积(DCNv2)优化网络结构,提升分割的精确度;引入秩和排序损失(Rank&Sort Loss)解决类别分支和掩码分支任务中超参数调节存在非最优和耗时的问题,提高SOLOv2分割的性能和效率。[结果]基于采集多变机械手抓取穴盘幼苗数据集的试验结果表明,改进SOLOv2分割算法的平均精度均值(mean average precision, mAP)、交并比0.5时平均精度(AP50)和交并比0.75时平均精度(AP75)分别为0.641、0.885和0.657,每张幼苗图像在GPU(graphic processing unit)上的平均分割时间为0.114 s,比原SOLOv2的各项精度指标分别高2.8%、3.1%和2.3%,分割时间减少0.058 s。[结论]改进SOLOv2算法具有更强的泛化性和鲁棒性,可以实现果蔬幼苗的实时高精度分割,并为幼苗品质分级筛选提供技术帮助。

摘要：针对语义分割网络参数量过大导致分割速度慢的问题,文章设计了一种基于特征上下文编码的实时语义分割网络FCENet。FCENet首先利用卷积因式分解和通道混洗方法设计一种双分支的非对称瓶颈块,进行下采样过程中图像的空间特征信息编码,有效减少网络参数,提升网络的推理速度;然后将下采样得到的编码信息作为输入特征映射进行后处理,采用不同的卷积操作获取不同层级的特征上下文,通过引入通道注意力机制联结不同层级信息拓展网络的学习能力,提升网络的分割精度。在CityScapes数据集上的实验结果验证了FCENet不仅保持了较高的分割精度,同时具有较快的推理速度。

摘要：植物根系原位CT图像的分割是植物根系三维重建和定量分析的基础。在综述了有关领域常见图像分割算法的基础上,分析了植物根系原位CT序列图像分割研究中存在的问题,提出了原位根系CT序列图像分割算法研究的新思路。指出原位根系CT序列图像分割算法的研究应针对CT序列图像的特点、结合根系空间构型的先验知识,综合利用数学形态学、模糊理论以及神经网络等理论方法,重点在提高算法的精度和鲁棒性。