摘要: 针对传统实例分割方法在无人驾驶技术中处理多目标分割准确率较低的问题, 提出一种基于联合注意力机制的深度学习方法, 实现城市交通多目标场景的实例分割. 该方法通过设计联合注意力模块, 对通道注意力与空间注意力进行融合, 引导神经网络分支处理重要特征信息, 以提升网络对多尺度目标的分割性能, 解决了当前深度学习网络对城市交通多目标场景分割效果较差的问题. 在城景数据集上的实验结果表明, 该方法有效, 可提升无人驾驶技术在城市道路交通场景下对实例分割的精确度.
中图分类号:
徐博文, 卢奕南. 基于改进SOLO网络的城市道路场景实例分割方法[J]. 吉林大学学报(理学版), 2022, 60(6): 1356-1362.
XU Bowen, LU Yinan. Urban Road Scene Instance Segmentation Method Based on Improved SOLO Network[J]. Journal of Jilin University Science Edition, 2022, 60(6): 1356-1362.