基于DeepLab V3模型的图像语义分割速度优化研究

doi:10.3778/j.issn.1002-8331.2006-0437

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (24): 137-143.DOI: 10.3778/j.issn.1002-8331.2006-0437

基于DeepLab V3模型的图像语义分割速度优化研究

司海飞，史震，胡兴柳，杨春萍

1.金陵科技学院智能科学与控制工程学院，南京 211169
2.哈尔滨工程大学智能科学与工程学院，哈尔滨 150001

出版日期:2020-12-15 发布日期:2020-12-15

Research on Speed Optimization of Image Semantic Segmentation Based on Deeplab V3 Model

SI Haifei, SHI Zhen, HU Xingliu, YANG Chunping

1.College of Intelligent Science and Control Engineering, Jinling Institute of Technology, Nanjing 211169, China
2.College of Intelligent Science Systems and Engineering, Harbin Engineering University, Harbin 150001, China

Online:2020-12-15 Published:2020-12-15

摘要/Abstract

摘要：

为了解决移动端视觉感知模块的内存资源和硬件条件不适应卷积神经网络的快速应用等问题。以经典的DeepLab V3模型为基础，在保证分割精度的前提下，以优化卷积神经网络模型的运行速度为目标，提出一种新的轻量化网络结构。所设计的网络结构将原有非线性激活函数替换成新的Swish激活函数进行精度补偿，采用改进后的轻量化MobileNet V2结构替代DeepLab V3原有的特征提取器。实验结果表明，改进的DeepLab V3网络模型和目前精度最高的DeepLab V3+算法相比，其在维持一定精度的前提下，参数量和计算复杂度大大减小，运行速度明显提升，模型内存占用率下降了近96%，综合性能更强，更适合对分割性能要求较高的快速分割网络。

关键词: 图像语义分割, 移动端, DeepLab V3模型, 轻量化, 卷积神经网络

Abstract:

Based on the classic DeepLab V3 model, a new lightweight network structure is proposed, which aims at optimizing the operation speed of convolutional neural network model. The original nonlinear activation function is replaced with a new swish activation function for precision compensation, and the improved lightweight MobileNet V2 structure is developed to substitute for the original feature extractor of DeepLab V3 in the designed network structure. Experimental results show that the improved Deeplab V3 network model has higher accuracy, and parameters amount and calculation complexity are greatly reduced and the running speed is significantly improved comparing with the current Deeplab V3+ algorithm. The model’s memory occupancy rate is reduced by 96% and its stronger comprehensive ability makes it more suitable for fast network segmentation with high segmentation performance requirements.

Key words: image semantic segmentation, mobile terminal, DeepLab V3 model, lightweight, convolutional neural network

司海飞，史震，胡兴柳，杨春萍. 基于DeepLab V3模型的图像语义分割速度优化研究[J]. 计算机工程与应用, 2020, 56(24): 137-143.

SI Haifei, SHI Zhen, HU Xingliu, YANG Chunping. Research on Speed Optimization of Image Semantic Segmentation Based on Deeplab V3 Model[J]. Computer Engineering and Applications, 2020, 56(24): 137-143.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[3]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[4]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[8]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[9]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[10]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.
[11]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[12]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[13]	王翀，韩振奇，徐浩煜，祝永新，徐胜，陈夏. 基于改进显著图的高效裂纹检测算法[J]. 计算机工程与应用, 2021, 57(6): 219-224.
[14]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[15]	贺钰博，刘坤. 基于卷积神经网络的海面显著性目标检测[J]. 计算机工程与应用, 2021, 57(6): 108-116.

基于DeepLab V3模型的图像语义分割速度优化研究

Research on Speed Optimization of Image Semantic Segmentation Based on Deeplab V3 Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics