融合U-Net改进模型与超像素优化的语义分割方法

基于现有的语义分割方法在面对不受限制的开放词汇量和多样多变的场景时表现出的分割不够精细、语义信息提取不充分和收敛时间长的问题，提出一种融合U-Net改进模型与超像素优化的语义分割方法。U-Net改进模型中结合空间金字塔模块（ Atrous spatial Pyramid pooling， ASPP）和Xception结构，在ASPP模块的分支网络中加入扩张卷积（Dilated convolutions，DC）形成模块本身的串并联结构，以增强图像特征提取能力；在Xception模块中添加注意力通道以及使用大的卷积核重构Xception模块，以减少数据的参数量并提高收敛速率，在此改进基础上再对图像进行超像素分割处理。最后使用条件随机场对分割结果施加全局约束，进一步优化像素的语义信息。本文方法在PASCAL VOC 2012测试集上进行验证并与DeepLab V3等主流网络进行对比，结果表明本文方法准确率提高了2.4%，证明了该方法在适应多变场景和应对精细语义分割上的有效性。