用于嵌入式终端的改进ENet街景语义分割

现有的移动终端实时语义分割算法对图像细节特征的处理能力较差,空间特征丢失严重。针对上述问题,提出了一种融合不同层级空间特征的方法,基于改进的 ENet,在下采样层使用反向残差结构,增加网络计算过程中图像信息的获取,减少下采样造成的图像空间特征丢失。通过空间注意力对图像空间特征进行筛选,增强相关特征,削弱不相关特征。该方法将高分辨率的浅层空间特征与具有丰富语义信息的深层特征融合,提高了网络对图像细节特征的处理能力。实验表明,在 NVIDIA Jetson TX2、NVIDIA Jetson Xavier NX 及 NVIDIA Jetson Xavier AGX 等嵌入式终端上,所提出网络与现有算法相比,其性能在 Cityscapes 数据集上提高了 2.9%,在 CamVid 数据集上提高了 3.2%。      

一种超轻量级指静脉纹络实时分割网络

现有的指静脉分割网络大多需要消耗极大内存和计算资源,难以直接部署到嵌入式平台上,大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题.针对上述问题,本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet.首先,使用沙漏状的深度可分离卷积极大地减少基础模型参数,并采用轻量级高效注意力模块实现无...