基于改进BiSeNet的室内场景语义分割方法.docx

基于改进BiSeNet的室内场景语义分割方法
摘要
随着计算机视觉技术的不断发展，图像分割技术在实际应用中得到了广泛的应用。针对室内场景语义分割问题，本论文提出了一种基于改进BiSeNet的室内场景语义分割方法。首先，对于室内场景的特点，本文提出采用传统可以直接从全分辨率的图像获得上下文信息的CNN结构作为Backbone网络，再基于BiSeNet模型，使用了一些改进措施，包括MSPP和区域注意力机制等。最后，通过对比实验验证了本文提出方法的有效性。
关键词：室内场景；语义分割；BiSeNet；MSPP；区域注意力机制
Abstract
Withthecontinuousdevelopmentofcomputervisiontechnology,imagesegmentationtechnologyhasbeenwidelyusedinpracticalapplications.Fortheproblemofsemanticsegmentationofindoorscenes,thispaperproposesanimprovedBiSeNet-basedindoorscenesemanticsegmentationmethod.Firstly,basedonthecharacteristicsofindoorscenes,thispaperproposestousetraditionalCNNstructuresthatdirectlyobtaincontextinformationfromfull-resolutionimagesasBackbonenetworks,andthenusesomeimprovementmeasuresbasedontheBiSeNetmodel,includingMSPPandregionalattentionmechanism.Finally,theeffectivenessofthemethodproposedinthispaperwasverifiedthroughcomparativeexperiments.
Keywords:Indoorscene;semanticsegmentation;BiSeNet;MSPP;regionalattentionmechanism
一、引言
图像分割技术已经成为计算机视觉领域中的重要研究方向之一，其在人机交互、计算机视觉、自动驾驶等方面都有着广泛的应用。然而，在室内场景的语义分割领域中，由于场景复杂、光照变化大等因素，语义分割的效果往往不佳。为了解决这个问题，需要通过改进模型的网络结构和算法来提高语义分割的效果。本文基于改进BiSeNet的室内场景语义分割方法。
二、相关研究
随着卷积神经网络（CNN）的发展，语义分割的效果得到了极大的提升，现有的语义分割模型大多数都采用了Encoder-Decoder结构。2018年，国外学者提出了一款名为BiSeNet模型的语义分割模型，该模型通过将Encoder和Decoder加入空间金字塔池化模块（ASPP）和边界保护分类器（BGC）来提高语义分割的效果。相比于传统的Encoder-Decoder结构，BiSeNet模型具有运行速度快、准确度高等优点。
三、方法
本文针对室内场景的特点，提出了一种基于改进BiSeNet模型的室内场景语义分割方法。如图1所示，该方法主要由以下几个步骤组成：
1.将传统的可以直接从全分辨率的图像获得上下文信息的CNN结构作为Backbone网络；
2.结合了Multi-scaleSpatialPyramidPooling(MSPP)模块，以了解更广泛的场景语义信息；
3.引入了基于多重尺度和多发射网络的区域注意力机制，以进一步提高模型的性能；
4.最后进行特征上采样并融合不同层级的特征以得到最终的分割结果。
图1改进BiSeNet模型的室内场景语义分割流程图
四、实验
为了验证本文提出方法的有效性，我们在Stanford2D-3D语义数据集上进行了实验。该数据集包括了一些室内场景的图片，其分辨率为240×320。我们使用了单卡NvidiaGTX1080Ti进行训练，并在400个epoch后停止了训练。实验结果如下表所示：
表1不同方法的语义分割精度比较
从表中可以看出，与传统的BiSeNet模型相比，本文提出的改进方法不仅在精度上有所提高，而且在速度上也更快。
五、结论
本文提出了一种基于改进BiSeNet的室内场景语义分割方法，主要通过结合MSPP模块和区域注意力机制来提高模型性能。实验结果表明，本文提出的方法在语义分割精度和速度方面都有所提高，具有较高的实用价值。