DODNet：一种扩张卷积优化的图像语义分割模型

本文在DeepLab-V2模型的基础上提出了一种扩张卷积优化的图像语义分割模型:DODNet.在DODNet中,本文采用多混洗块扩张卷积(MSDC)替换ResNet-101中的扩张卷积,通过通道混合(ChannelShuffle)为每个特征点添加相邻特征点的部分通道(channel)信息,缓解了连续级联扩张卷积带来的网格化效应;同时,本文采用Vortex-Conv模块替换掉空洞空间金字塔池化(ASPP),以增加扩张卷积对感受野信息的利用,通过像素点周围局部信息的有效融合,获取了更精确的分割结果.本文在PASCAL VOC12数据集上对算法模型进行了训练和验证.实验结果表明,DODNet模型相比DeepLab-V2模型获得了4.23%的分割精度提升,同时模型参数量减少了11.2M,计算量降低了12.2B.并且与DeepLab-V3相比,DODNet模型也获得了0.32%的分割精度提升,以及7.1M的参数量和7.7B计算量的下降.