摘要：道路场景语义分割是自动驾驶环境感知的一项重要任务。近年来,变换神经网络(Transformer)在计算机视觉领域开始应用并取得了很好的效果。针对复杂场景图像语义分割精度低、细小目标识别能力不足等问题,本文提出了一种基于移动窗口Transformer的多尺度特征融合的道路场景语义分割算法。该网络采用编码-解码结构,编码器使用改进后的移动窗口Transformer特征提取器对道路场景图像进行特征提取,解码器由注意力融合模块和特征金字塔网络构成,充分融合多尺度的语义特征。在Cityscapes城市道路场景数据集上进行验证测试,实验结果表明,与多种现有的语义分割算法进行对比,本文方法在分割精度方面有较大的提升。

摘要：近年来,由于大规模数据集的出现,图像语义分割技术得到快速发展。但在实际场景中,并不容易获取到大规模、高质量的图像,图像的标注也需要消耗大量的人力和时间成本。为了摆脱对样本数量的依赖,小样本语义分割技术逐渐成为研究热点。当前小样本语义分割的方法主要利用了元学习的思想,按照不同的模型结构可划分为基于孪生神经网络、基于原型网络和基于注意力机制三大类。基于近年来小样本语义分割的发展现状,介绍了小样本语义分割各类方法的发展及优缺点,以及小样本语义分割任务中常用的数据集及实验设计。在此基础上,总结了小样本语义分割技术的应用场景及未来的发展方向。

摘要：针对当前智能驾驶领域场景理解中的语义分割算法无法同时满足高精度和高效率要求的问题,提出了精确高效的语义分割算法。基于可分离残差模块和降采样模块,设计了充分利用其学习能力和学习效率的高效精确语义分割网络结构。利用Cityscapes数据集,在图像处理效率12 frame/s的基础上达到分割精度67.86%。研究结果表明,所提方法在精度和效率上均能达到较好的效果,实现了精度和效率的平衡。

摘要：针对现有语义分割中存在的上下文信息利用不足和细节信息丢失等问题,提出了一种基于自适应融合和注意力细化的语义分割模型。该模型在编码的过程中引入一个自适应融合模块,通过让每个特征图按照相应的权重进行融合的方式来解决上下文信息利用不足的问题。在解码的过程中设计了一个注意力细化模块,使低阶特征与高阶特征之间能够进行相互指导优化,从而解决细节信息丢失的问题。实验结果表明:该模型在PASCAL VOC 2012数据集上的平均交并比达到了83.7%,比基于编解码的语义分割模型提高了1.1%;在Cityscapes数据集上取得了81.7%的平均交并比,进一步验证了该模型的泛化性。

摘要：三维点云语义分割在三维场景理解和重建、自动驾驶和机器人导航等领域发挥着重要作用。针对现有方法对点云的局部特征提取不足导致分割精度不高这一问题,基于PointNet++架构提出了一个动态图卷积网络DGPoint。首先,边缘卷积的特征聚合函数使用双通道池化操作来补偿信息丢失,可以更好地保留点云的细粒度局部特征;其次,在进行边缘卷积之前使用K近邻算法确定新的局部区域以达到动态图更新的效果;此外,为了保证边缘提取准确,将设计的编码器重复多次,并将提取的特征以跳跃连接的方式连接起来输入到解码器中。在S3DIS数据集上的实验结果表明,与其他方法相比,DGPoint有效解决了局部特征提取不足的缺点,并提高了语义分割的准确性:在S3DIS数据集的平均交并比为68.3%,总体准确度为86.2%。

摘要：针对语义分割图像在存储和传输过程中压缩性能不足,占用资源多的问题,提出基于上下文与二进制算术编码的自适应编码方法。该方法提出了最佳上下文模型阶数的概念和计算方法,并根据最佳上下文模型与图像复杂度的相关性,设计了上下文模型自适应选择算法。通过支持向量机方法建立上下文模型分类器,根据语义分割图像复杂度特征,预测其最佳的上下文模型用于二进制算术编码。利用遥感影像语义分割数据集对算法进行测试,实验结果表明,与常用的二进制算术编码方法比,提出的算法能在压缩比不变的情况下缩短压缩时间38%左右,有效提高了压缩性能。

摘要：针对基于栅格地图的路径规划技术在面对大地图、高分辨率地图的情况下,存在的规划速度慢、内存占用高的问题,提出一种基于语义网络的网络搜索算法。首先使用语义分割网络对栅格地图进行预采样,其次通过图像学膨胀拓宽最优路径形成最优路径范围,增强算法鲁棒性,最后利用语义网络的特征图指导搜索算法规划,加快了高分辨率栅格地图的路径规划的速度。实验仿真表明,网络搜索算法较传统搜索算法,时间平均缩短72.5%,遍历点数平均减少51.6%,路径长度平均延长0.73%,网络搜索算法可以有效加快路径搜索速度,减少内存占用。

摘要：车道线识别是自动驾驶环境感知的一项重要任务。近年来,基于卷积神经网络的深度学习方法在目标检测和场景分割中取得了很好的效果。本文借鉴语义分割的思想,设计了一个基于编码解码结构的轻量级车道线分割网络。针对卷积神经网络计算量大的问题,引入深度可分离卷积来替代普通卷积以减少卷积运算量。此外,提出了一种更高效的卷积结构LaneConv和LaneDeconv来进一步提高计算效率。为了获取更好的车道线特征表示能力,在编码阶段本文引入了一种将空间注意力和通道注意力串联的双注意力机制模块(CBAM)来提高车道线分割精度。在Tusimple车道线数据集上进行了大量实验,结果表明,本文方法能够显著提升车道线的分割速度,且在各种条件下都具有良好的分割效果和鲁棒性。与现有的车道线分割模型相比,本文方法在分割精度方面相似甚至更优,而在速度方面则有明显提升。

摘要：为提高网络模型低层特征的离散度和语义分割算法的性能,以全卷积神经网络作为基础模型,提出一种基于辅助损失、边缘检测辅助任务和注意力机制的语义分割算法。通过重新设计网络模型的辅助损失分支,使网络低层特征编码更多语义信息。在多任务学习中,选择边缘检测作为辅助任务,基于注意力机制设计边缘检测的辅助任务分支,使网络模型更关注物体的形状和边缘信息。在此基础上,将基础模型、辅助损失分支、辅助任务分支集成构造为语义分割模型。在VOC2012数据集上的实验结果表明,该算法的平均交并比为71.5%,相比基础模型算法提高了6个百分点。

摘要：基于深度学习的语义分割算法可以实现安检违禁品自动识别,并获得违禁品的位置、类别及形状信息。但传统的语义分割算法在面对违禁品尺寸不一且目标多样的识别任务时表现较差。针对该问题,本文提出了一种基于语义分割技术的多目标违禁品识别算法。编码阶段,设计使用空洞空间金字塔卷积模块(Atrous Spatial Pyramid Convolution Block,ASPC),提升网络对于特征图多尺度信息的挖掘能力。同时引入注意力机制,对ASPC模块的特征提取过程进行监督,进一步提升模块的特征提取能力。解码阶段,受U-Net模型启发,采用逐级上采样操作,同时加入1×1卷积实现通道降维,减少计算量,提升模型运行速度。实验结果显示,本文提出的算法在多目标违禁品识别任务中表现良好,平均交并比(mIoU)得分78.62,处理单张图片用时(Time)68 ms。