.png){kind=icon}
返回
Multi-Scale Context-Aware Network Implementation for Efficient Image Semantic Segmentation
.png){kind=icon}
OA
AI
DOI：10.3390/app16084033.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像语义分割在自动驾驶、医学成像和遥感领域至关重要。虽然卷积神经网络（CNNs）擅长局部特征提取和空间结构建模，但其有限的感受野限制了长距离依赖关系和全局语义一致性的捕获。Transformer通过自注意力机制提供强大的全局建模能力，但往往缺乏局部归纳偏差，且在小数据集上泛化能力较弱。为解决这些局限性，本文提出了一种多尺度上下文感知网络（MSC-Net）用于图像语义分割。在编码器-解码器框架下，MSC-Net结合卷积骨干网络与多尺度自注意力模块，整合CNNs和注意力机制的优势。骨干网络提取局部纹理和结构信息，可采用MobileNet、Xception、DRN和ResNet等架构，而注意力模块捕获长距离依赖和多尺度上下文信息。该设计提高了跨层特征协作、多尺度特征融合和边界质量，同时保持计算效率。实验结果表明，在可比计算设置下，MSC-Net达到38.8%的mIoU和98.4%的ACC。与SegFormer和DeepLabV3+相比，模型分别将mIoU提升约3.0和3.3个百分点，同时减少FLOPs和参数量。
Keyword:
image semantic segmentation
transformer
multi-scale attention
context-modeling
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
.png){kind=icon}
Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers从序列到序列的角度重新思考语义分割OAAI
OAAI分享收藏PSP net-based automatic segmentation network model for prostate magnetic resonance imaging基于PSP网的前列腺磁共振成像自动分割网络模型
PREAI
分享收藏
查看更多内容