可用的部分:
- 可学习的上采样策略DUpsampling
- 注意力模块
河流结冰难以得到可靠的分割结果。大多数情况下,图像中的浮冰大小不一、形状不规则,这就要求网络具有提取多尺度特征的能力。随着深度学习方法的快速发展,许多基于深度卷积神经网络的优秀语义分割算法被提出。他们中的大多数会采用骨干ResNet , DeepLab , Transformer来提取有意义的特征。虽然这些复杂网络提高了精度,但其分割速度非常慢。一些高精度网络模型的容量通常非常大。这使得在生产环境中的设备上部署变得困难。这促使我们为我们的任务设计一个更灵活的网络。然而,追求时间效率模型并不容易实现。大多数实时深度神经网络选择轻量级骨干网络,并减少特征通道数量[10]等方法。然而,这些方式会使网络捕捉精细信息的能力变差,从而进一步损害准确率。
本文提出一种双分支分割网络FastICENet,以提高精度和效率。它由空间分支和上下文分支组成。空间分支是卷积和非线性映射层的堆叠,以获取局部区域的细节信息。上下文分支旨在提供区分不同类型对象的深层语义信息。这会到达一个更复杂的分支,也更耗时。因此,为了加快分割速度,采用下采样和Ghost模块策略来降低上下文分支的分析代价。此外,由于河流冰图像中存在较多的小冰块,采用可学习的上采样策略DUpsampling代替常用的双线性插值,以提高分割精度,特别是小冰块。