语义分割论文阅读笔记3

An improved Deeplabv3+ semantic segmentation algorithm with multiple loss constraints，2022，SCI Q1

论文地址

摘要

针对当前语义分割算法中分割精度低、对象边界分割不准确的问题，提出利用多重损失函数约束和多级级联残差结构的语义分割算法。采用多层级联残差单元来增加网络层感受野的范围。构建并行网络提取不同深度特征信息，然后将不同深度特征信息与编码器输出特征融合，得到多个输出特征，与标签建立多个损失，从而约束模型优化网络。所提出的网络在 Cityscapes 和 CamVid 数据集上进行了评估。实验结果表明，该算法的平均交并比（MIoU）比原始Deeplabv3+算法分别提高了3.07%和3.59%。

引入

2015年，全卷积神经网络（FCN） 的被提出，与传统的分割算法相比，FCN在分割精度上有很大的提高，但在小目标物体的分割中分割效果较差。 其问题在于仅依赖高层特征信息对像素进行分类，缺乏利用细节信息丰富的低层特征图像，导致网络最终分割结果较为粗糙。因此，如何合理利用底层特征信息来增强语义分割效果已成为研究的热点问题。
为了解决这个问题，研究人员提出了一些使用编解码器结构的语义分割模型，例如U-Net 、Refinenet和SegNet、PSPNet。它们利用编解码器结构来补充上采样过程中模型较低采样丢