计算机工程

作者：刘腾, 刘宏哲, 李学伟, 徐成

单位：1. 北京联合大学 北京市信息服务工程重点实验室, 北京 100101;2. 北京联合大学 机器人学院, 北京 100101

关键词：无锚框实例分割,深度学习,编码-解码结构,注意力机制,空洞卷积

基金：国家自然科学基金（61871039，62102033，62171042，61906017）；北京市教委项目（KM202111417001，KM201911417001）；视觉智能协同创新中心项目（CYXC2011）；北京联合大学学术研究项目（ZB10202003，ZK40202101，ZK120202104）；北京联合大学研究生科研创新项目（YZ2020K001）。

在无人驾驶应用场景中，现有无锚框实例分割方法存在大目标特征覆盖小目标特征、缺少两阶段检测器中的感兴趣区域对齐操作、忽略类别分支对掩膜分支提供的位置和空间信息等问题，导致特征提取不充分且无法准确获取目标区域。提出一种改进的无锚框实例分割方法。结合可变形卷积，设计编码-解码特征提取网络提取高分辨率特征，以增强对小目标特征的提取能力，并采用空洞卷积和合并连接的方式，在不增加计算量的前提下有效融合多种分辨率的特征。在此基础上，将注意力机制引入到类别分支中，同时设计结合空间信息和通道信息的信息增强模块，以提高目标检测能力。实验结果表明，该方法在COCO 2017和Cityscapes数据集上平均精度和平均交并比分别为41.1%和83.3%，相比Mask R-CNN、SOLO、Yolact等方法，能够有效改进实例分割效果并具有较优的鲁棒性。

来源：2022年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第9期