基于改进DeepLabv3+图像语义分割模型的研究与应用.pdfVIP

摘要

图像语义分割是计算机视觉技术中关键步骤，在计算机视觉领域有着重要的

地位，图像识别、医学影响、人工智能等领域都离不开图像语义分割技术。为了

提升图像语义分割的精确度，解决特征细节易丢失和目标边界模糊等问题，本文

提出了一种结合卷积注意力和混合池化的DeepLabV3+图像语义分割算法。该算法

有效解决了边界模糊的问题，为提高图像分割的准确度提供了新的思路。为了方

便部署到移动端，对DeepLabv3+网络进行轻量化改进，改进算法的参数量大幅减

少，同时MIoU值下降不明显。本研究主要完成工作如下：

1DeepLabV3+DeepLabV3+

（）对网络进行了优化设计和实现。本文在模型中

引入了卷积注意力机制模块，增强了卷积神经网络对图像的关注能力；利用混合

池化能够更好地选择卷积层中提取的特征；采用深度可分离卷积，显著减少了卷

积的参数数量；用交叉熵损失函数作为模型的损失函数。测试结果与DeepLabv3+

MPA1.4%MIoU3.6%

模型相比，提高，提高，表明卷积注意力机制提高特征提取

的准确性非常有效，可以实现对DeepLabV3+网络的优化。

2DeepLabv3+

（）为了方便部署到移动端，对网络模型进行改进。本文采用

轻量化的思想，用MobileNetv2作为模型的特征提取网络，可以减少模型复杂性,

提高了模型的执行速率采用了深度可分离卷积模块以取代空洞空间金字塔池化;,

模型中的标准卷积,可以大幅度减小模型参数量,从而提升模型训练质量;在ASPP模

块中并列了轻量级的条状池化模块并引入了三重注意力机制模块，在不增加参数;

量的前提下，提升模型分割精度。实验结果表明，改进算法的参数量减少了将近

四分之三，同时MIoU值几乎没有下降。

（3）扩充了PASCALVOC2012数据集，利用本文改进算法在扩充数据集上

进行实验，对比数据集扩充前后模型的性能。本文使用PyQt5将改进后的算法进

行实际应用，开发了一个目标分类系统，可以对图片中的目标进行识别并显示其

所属类别。

关键词：语义分割；DeepLabV3+;注意力机制；轻量化；PyQt5

ABSTRACT

Imagesemanticsegmentationisakeystepincomputervisiontechnology,which

hasanimportantpositioninthefieldofcomputervision,andimagerecognition,

medicalinfluence,artificialintelligenceandotherfieldsareinseparablefromimage

semanticsegmentationtechnology.Inordertoimprovetheaccuracyofimagesemantic

segmentationandsolvetheproblemsofeasylossoffeaturedetailsandblurredtarget

boundary,thispaperproposesaDeepLabV3+imagesemanticsegmentationalgorithm

combiningconvolutionalattentionandhybridpooling.Theproposedalgorithm

effectivelysolvestheproblemofboundaryblurringandprovidesanewideafor

improvingtheaccuracyofimagesegmentation.Inordertofacilitat