针对现有人体图像前景目标姿态变化、大小差异过大和边缘细节丢失等因素造成分割效果不佳的问题,提出了一种基于可变形有效感受野的人体前景分割算法。该算法将不同尺度的特征图进行融合,减少下采样过程中丢失的空间语义信息;同时结合...针对现有人体图像前景目标姿态变化、大小差异过大和边缘细节丢失等因素造成分割效果不佳的问题,提出了一种基于可变形有效感受野的人体前景分割算法。该算法将不同尺度的特征图进行融合,减少下采样过程中丢失的空间语义信息;同时结合可变有效感受野模块和边缘细化模块来捕获空间信息和语义信息,以适应算法对不同目标的有效感受野范围,并使有效感受野随目标姿态、大小等形态变化进行扩张;最后采用Focal loss缓解正负样本不均衡的问题。实验结果表明,在Baidu People Segmentation人体分割数据集上,对比其他主流语义分割算法,该算法交并比高达88.45%,相比于主流语义分割算法DeepLabV3+高1.07%,相比于经典算法U-net高3.71%,且运行速度快,稳定性好,具有较高的时效性和良好的鲁棒性。展开更多
文摘针对现有人体图像前景目标姿态变化、大小差异过大和边缘细节丢失等因素造成分割效果不佳的问题,提出了一种基于可变形有效感受野的人体前景分割算法。该算法将不同尺度的特征图进行融合,减少下采样过程中丢失的空间语义信息;同时结合可变有效感受野模块和边缘细化模块来捕获空间信息和语义信息,以适应算法对不同目标的有效感受野范围,并使有效感受野随目标姿态、大小等形态变化进行扩张;最后采用Focal loss缓解正负样本不均衡的问题。实验结果表明,在Baidu People Segmentation人体分割数据集上,对比其他主流语义分割算法,该算法交并比高达88.45%,相比于主流语义分割算法DeepLabV3+高1.07%,相比于经典算法U-net高3.71%,且运行速度快,稳定性好,具有较高的时效性和良好的鲁棒性。
