結(jié)合分?jǐn)?shù)階邊緣檢測(cè)的改進(jìn)DeepLabv3+模型

鄭淘

(四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065)

0 引言

語義分割(Semantic Segmentation)是當(dāng)今計(jì)算機(jī)視覺(Computer Vision，CV)領(lǐng)域的核心問題之一，其任務(wù)是將同屬一種對(duì)象分類的像素聚集來實(shí)現(xiàn)圖像分割，被廣泛應(yīng)用于地理信息系統(tǒng)、無人駕駛、醫(yī)療影像分析、機(jī)器人等領(lǐng)域。隨著深度學(xué)習(xí)技術(shù)研究的愈發(fā)火熱，許多計(jì)算機(jī)視覺問題開始使用深度架構(gòu)來進(jìn)行研究，其中主要以深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)為熱點(diǎn)方向，常見架構(gòu)諸如AlexNet[1]、VGG-16[2]、GoogleNet[3]、ResNet[4]等，其實(shí)驗(yàn)的準(zhǔn)確率與學(xué)習(xí)效率都較傳統(tǒng)方法有極大的提高，這些模型也為后來語義分割模型的主體架構(gòu)做出了巨大貢獻(xiàn)。2014年，全卷積網(wǎng)絡(luò)FCN[5]開創(chuàng)性將深度卷積模型的全連接層用卷積替代，不僅提高了語義分割模型的學(xué)習(xí)效率，同時(shí)使得任意大小的輸入成為可能。Vijay.B等人提出SegNet[6]將最大池化指數(shù)轉(zhuǎn)移至解碼器，改善了分割分辨率，Yu等人提出使用空洞卷積[7](Atrous conv)來提高模型的感受野、Chen等人提出DeepLab系列[8-10]語義分割模型，在空洞卷積的基礎(chǔ)上實(shí)現(xiàn)了金字塔型空洞池化(ASPP)來獲取多尺度信息，并結(jié)合了概率圖模型方法，將全連接條件隨機(jī)場(chǎng)DCRFs引入學(xué)習(xí)場(chǎng)景等。其中，Google公司提出的DeepLab模型經(jīng)過幾個(gè)版本的迭代更新，目前發(fā)表的最新成果DeepLabv3+[11]在PASCAL VOC2012數(shù)據(jù)集上取得了SOTA的MIOU。

分?jǐn)?shù)階微積分理論作為一門新興的數(shù)學(xué)學(xué)科，最開始僅是作為數(shù)學(xué)家們的純數(shù)學(xué)理論分析和公式推導(dǎo)。經(jīng)過幾十年的積累沉淀，在國(guó)內(nèi)外許多學(xué)者的研究努力下，發(fā)現(xiàn)分?jǐn)?shù)階微分算子具有良好的記憶性和非局部性[12]，因此被廣泛應(yīng)用于各類科學(xué)與數(shù)學(xué)工程領(lǐng)域。目前，分?jǐn)?shù)階微積分理論在數(shù)字圖像處理多個(gè)領(lǐng)域也實(shí)現(xiàn)了研究發(fā)展，其中包括圖像的增強(qiáng)、去噪、邊緣提取、分割、奇異性檢測(cè)等，許多學(xué)者在該方向上都獲得了突破性的研究成果，PU等人[13-14]通過選擇適當(dāng)階次的分?jǐn)?shù)階微分算子，在圖像增強(qiáng)邊緣的同時(shí)保留了平滑區(qū)域的紋理信息，也更加符合人類視覺特性；B.Mathieu等人[15]提出分?jǐn)?shù)階微分邊緣檢測(cè)算子，能夠有效檢測(cè)出物體邊緣細(xì)節(jié)，且在不同階次范圍內(nèi)取得了對(duì)抗噪聲與邊緣提取的混合結(jié)果；Liu等人[16]提出了將分?jǐn)?shù)階奇異值分解方法用于人臉識(shí)別，在人臉劇烈抖動(dòng)時(shí)取得了比傳統(tǒng)分類方法更加優(yōu)秀的性能。

針對(duì)原始DeepLabv3+模型在學(xué)習(xí)過程中因引入下采樣與空洞卷積帶來的精度損失和邊緣細(xì)節(jié)丟失，本文引入分?jǐn)?shù)階微分邊緣檢測(cè)模塊優(yōu)化原始模型，盡可能減少了學(xué)習(xí)過程中流失的邊緣細(xì)節(jié)。通過實(shí)驗(yàn)驗(yàn)證，改進(jìn)模型在邊緣分割效果上優(yōu)于原始模型，且優(yōu)化模塊具有良好的拓展性能，可以部署在任意FCN族類的語義模型中。

1 研究進(jìn)展

1.1 基于DeepLab的語義分割研究

近年來，學(xué)者們開始考慮從不同角度解決語義分割的兩個(gè)重點(diǎn)問題：信號(hào)下采樣和空間不變性。Olaf.R等人提出編解碼器結(jié)構(gòu)的U-Net[17]模型，將編碼部分采用多層卷積加池化來擴(kuò)大感受野，解碼部分依然使用上采樣恢復(fù)圖像尺寸。同時(shí)將編碼與解碼部分特征圖對(duì)應(yīng)串聯(lián)，增加了圖像恢復(fù)的信息，提高了結(jié)果分辨率。SegNet[6]同樣采用編解碼結(jié)構(gòu)，并且使用了帶有坐標(biāo)(index)的池化方法，保留了位置信息，基本解決了多次池化造成的信息丟失問題。Zhao等人提出PSPNet[18]使用空間金字塔池化(Pyramid Pooling Module)在底層獲取一組不同感受野大小的feature map進(jìn)行concatenate，完成了多層次的語義特征融合。DeepLab[8]的首次提出，是建立在FCN[5]和Atrous Conv[7]研究的基礎(chǔ)上，并結(jié)合概率圖統(tǒng)計(jì)方法將全連接CRF加入模型，增加了像素之間的關(guān)聯(lián)性。DeepLabv2[9]結(jié)合PSPNet[18]經(jīng)驗(yàn)，在v1基礎(chǔ)上使用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)增加多尺度信息，并將backbone從VGG-16[2]替換為ResNet-101[4]，在實(shí)驗(yàn)結(jié)果上取得了更優(yōu)秀的表現(xiàn)。DeepLabv3[10]進(jìn)一步改造ASPP，形成組合了空洞率為(6，12，18)的多尺度卷積對(duì)、加入Batch Normalization(BN)和1×1卷積、通過padding控制輸出尺寸的ASPP+結(jié)構(gòu)。同時(shí)，v3在結(jié)構(gòu)上比對(duì)了ASPP的級(jí)聯(lián)和并聯(lián)模式，最終選擇將并聯(lián)方式推向下一個(gè)階段。

DeepLabv3+[11]是DeepLab系列最新成果，融合了ASPP+并聯(lián)模式與編解碼結(jié)構(gòu)，并通過將普通卷積替換為深度可分離卷積(Depthwise separable convolution)來降低計(jì)算量和參數(shù)量，采取對(duì)Xception[19]模型進(jìn)行改進(jìn)作為backbone，將所有的池化層替換為卷積，并參考MobileNet[20]結(jié)構(gòu)在每個(gè)3×3卷積后面添加額外的BN和ReLU。DeepLabv3+在PASCAL VOC2012數(shù)據(jù)集上取得了SOTA的MIOU。

作為目前最強(qiáng)大的語義分割模型之一，DeepLabv3+卻始終在物體的邊緣分割上表現(xiàn)一般，該優(yōu)化問題可以作為一門研究方向開展工作。Liu等人[21]通過增加從編碼器到解碼器的連接來豐富特征圖恢復(fù)過程中的邊緣信息，并在遙感數(shù)據(jù)集SpaceNet上取得了較好的分割效果；Wu等人[22]則使用了Kronecker卷積拓展了原始空洞卷積，提高了模型對(duì)部分信息的捕獲能力，且通過開發(fā)樹形結(jié)構(gòu)(Tree-structured)獲取分層上下文信息表示多尺度對(duì)象，有利于更好地理解復(fù)雜場(chǎng)景。

1.2 基于分?jǐn)?shù)階微分的邊緣檢測(cè)

G-L分?jǐn)?shù)階微分[23]定義是從研究連續(xù)函數(shù)的整數(shù)階導(dǎo)數(shù)的經(jīng)典定義出發(fā)，將微積分的階數(shù)由整數(shù)擴(kuò)展到分?jǐn)?shù)推演而來的，即：

(4)

其中，Gamma函數(shù)的定義為：

(5)

(6)

(7)

根據(jù)式(4)(5)寫出差分方程右邊的前n項(xiàng)乘數(shù)：

(8)

根據(jù)式(8)構(gòu)造像素點(diǎn)8個(gè)方向的各向同性濾波器，在8個(gè)方向上都具有旋轉(zhuǎn)同向性。隨著尺寸的增大，非運(yùn)算方向上的值通過填0解決，可以構(gòu)造出經(jīng)典圖像增強(qiáng)的5×5的分?jǐn)?shù)階微分算子[13-14]。

圖1 5×5分?jǐn)?shù)階微分算子(Tiansi算子)

與圖像增強(qiáng)不同，邊緣檢測(cè)更加注重目標(biāo)像素周圍梯度的變化，而應(yīng)該盡可能忽略紋理等細(xì)節(jié)。本文提出一種滑動(dòng)閾值方法的分?jǐn)?shù)階邊緣檢測(cè)算子，在與經(jīng)典一二階邊緣檢測(cè)算子的對(duì)比實(shí)驗(yàn)中，表現(xiàn)出更加優(yōu)秀的檢測(cè)性能。

邊緣檢測(cè)任務(wù)是將圖像中突變的信息進(jìn)行提取[24]，而圖像的突變信息往往對(duì)應(yīng)的是高頻信息，即物體邊緣與紋理變化。傳統(tǒng)的邊緣檢測(cè)方法主要是基于梯度的邊緣檢測(cè)，比較經(jīng)典的算子包括：Robert、Sobel、Prewitt代表的一階算子以及Laplacian、Canny、Marri-Hildreth、LOG(Laplacian of Gaussian)、DOG(Difference Of Gaussian)代表的二階算子。主要原理都是通過求取梯度來獲取圖像突變部分的重要信息，主要是指灰度的變化，從而實(shí)現(xiàn)邊緣的獲取。但是，基于梯度的邊緣檢測(cè)算子的缺點(diǎn)也十分明顯，如一階的Sobel算子，邊緣定位準(zhǔn)確，對(duì)噪聲友好，但是存在出現(xiàn)斷邊、邊緣過于粗糙的問題。二階的Laplacian算子，對(duì)階躍性邊緣定位準(zhǔn)確，但是對(duì)噪聲極為敏感。作為整數(shù)階拓展的分?jǐn)?shù)階微分算子，可以更加靈活的調(diào)整階次來適應(yīng)不同的輸入圖像，實(shí)現(xiàn)抑制噪聲和邊緣連續(xù)的雙重標(biāo)準(zhǔn)。Jiang[25]結(jié)合Sobel算子和Tiansi算子的特性，通過手動(dòng)調(diào)整分?jǐn)?shù)階次和二值化閾值進(jìn)行邊緣提取，對(duì)噪聲有一定的抑制能力。Zhang G M[26]將Canny算子中的梯度計(jì)算更換為分?jǐn)?shù)階微分算子，有效降低了邊緣提取的錯(cuò)誤率。Zhang W K[27]提出基于分?jǐn)?shù)階微分差與高斯曲率濾波結(jié)合的算法，有效抑制非線性擴(kuò)散產(chǎn)生的背景偽噪聲，對(duì)圖像增強(qiáng)和邊緣提取都有一定的補(bǔ)足。然而，這類方法均沒有實(shí)現(xiàn)分?jǐn)?shù)階階次的自適應(yīng)調(diào)整，需要靠人工和經(jīng)驗(yàn)進(jìn)行階次調(diào)整，對(duì)于不同的輸入信號(hào)無法實(shí)現(xiàn)端到端的處理。Li[28]、Wang[29]、Dai[30]等人則利用圖像的梯度、亮度、對(duì)比度、局部信息熵等來構(gòu)造局部信息函數(shù)，將函數(shù)值為0設(shè)置為平滑區(qū)域，函數(shù)值為1設(shè)置為邊緣區(qū)域，由此可推導(dǎo)出適用于圖像增強(qiáng)的自適應(yīng)分?jǐn)?shù)階模型。這類方法在一定程度上實(shí)現(xiàn)了分?jǐn)?shù)階微分階次的動(dòng)態(tài)可調(diào)，但是對(duì)于平滑和邊緣的判斷過于簡(jiǎn)單，對(duì)于某些紋理復(fù)雜的圖像處理效果不是很理想。

2 本文方法

2.1 分?jǐn)?shù)階滑動(dòng)閾值邊緣檢測(cè)算子

圖2 3×3分?jǐn)?shù)階(微分)邊緣檢測(cè)算子

為實(shí)現(xiàn)分?jǐn)?shù)階微分的階次自適應(yīng)可調(diào)，利用滑動(dòng)閾值的方法，取閾值集合為(10，30，50)來設(shè)置濾波過程中的分?jǐn)?shù)階階次v，算法過程描述如下。

(1)將輸入圖像信號(hào)與3×3分?jǐn)?shù)階(微分)邊緣檢測(cè)算子進(jìn)行卷積；

(2)將算子與圖像信號(hào)左上角對(duì)齊，以步長(zhǎng)為3開始向右滑動(dòng)；

(3)以算子中心對(duì)應(yīng)像素P(x，y)為目標(biāo)像素，進(jìn)行判斷：

①Set:grad_x，grad_y=|(P(x，y-1) -P(x，y+1)| ，|(P(x-1，y) -P(x+1，y)|

②ifgrad_x∈[0，10]andgrad_y∈[0，10]：v=0;

③else ifgrad_x∈(10，30]andgrad_y∈(10，30]：v=0.3;

④else ifgrad_x∈(30，50]andgrad_y∈(30，50]，：v=0.5;

⑤else:v=0.8．

(4)向右滑動(dòng)步長(zhǎng)的距離，重復(fù)步驟3；到達(dá)圖像右邊緣后，向下移動(dòng)步長(zhǎng)距離，并回到最左端對(duì)齊。

(5)重復(fù)步驟3、4，直到對(duì)整個(gè)圖像完成濾波。

(6)將得到結(jié)果與原始圖像求差，獲得輸出結(jié)果。

階次v的自適應(yīng)可調(diào)適用于任意輸入圖像，且對(duì)噪聲控制、紋理和邊緣的區(qū)分進(jìn)行了有效的增強(qiáng)。將此算子引入語義分割模型中，可以設(shè)計(jì)出作用于圖像邊緣信息提取的子模塊。

2.2 分?jǐn)?shù)階(微分)邊緣檢測(cè)模塊與改進(jìn)的DeepLabv3+模型

DeepLabv3+以原始v3模型作為encoder，將ASPP前后的底層特征在Decoder模塊進(jìn)行concatenate，并經(jīng)過4倍上采樣恢復(fù)尺寸。加入解碼器結(jié)構(gòu)緩解了模型對(duì)物體邊緣分割的弱特性，但決定圖像最終分割效果的還是原始圖像中物體的位置信息，當(dāng)出現(xiàn)物體粘連和邊界信息較弱時(shí)，模型的最后分割結(jié)果表現(xiàn)就較差。

本文選擇在DeepLabv3+解碼器結(jié)構(gòu)中添加分?jǐn)?shù)階(微分)滑動(dòng)閾值邊緣檢測(cè)模塊FSTED(Fractional-Order Differential Slip Threshold Edge Detection module)，模塊結(jié)構(gòu)如圖3所示。通過增強(qiáng)并捕獲圖像的邊緣特征，保留了原始編碼器中下采樣和空洞卷積對(duì)圖像的特征提取，經(jīng)特征融合后可以得到改善的分割結(jié)果。模型的pipeline如圖4所示。

圖3 分?jǐn)?shù)階(微分)滑動(dòng)閾值邊緣檢測(cè)模塊

圖4 結(jié)合FSTEDmodule的DeepLabv3+語義模型

較高的階次可以帶來強(qiáng)的邊緣信息，但容易引入過量噪聲，從而導(dǎo)致像素分類失??；較低的階次對(duì)邊緣的增強(qiáng)不夠明顯，最后導(dǎo)致邊緣分割差強(qiáng)人意。而滑動(dòng)閾值方法通過對(duì)輸入信號(hào)的每一個(gè)3×3像素矩陣進(jìn)行判斷，選擇合適的分?jǐn)?shù)階階次來完成濾波操作。接著，將用仿真實(shí)驗(yàn)證明改進(jìn)后的DeepLabv3+具有更強(qiáng)的噪聲適應(yīng)能力和邊緣分割效果。

3 實(shí)驗(yàn)部分

3.1 分?jǐn)?shù)階(微分)滑動(dòng)閾值邊緣檢測(cè)算子與經(jīng)典算子的對(duì)比實(shí)驗(yàn)

對(duì)比實(shí)驗(yàn)選擇邊緣檢測(cè)常用數(shù)據(jù)集BSDS500作為驗(yàn)證數(shù)據(jù)集，該數(shù)據(jù)集共計(jì)500張彩色圖片，其中訓(xùn)練子集200張，驗(yàn)證子集100張，測(cè)試子集200張，對(duì)應(yīng)提供了500張ground-truth邊緣標(biāo)注圖(需要預(yù)處理)。圖片大小均為481×321。

評(píng)估指標(biāo)包括錯(cuò)誤率(FR)、漏檢率(FRR)、誤檢率(FAR)、真邊緣(TER)、偽邊緣(FER)五項(xiàng)，計(jì)算公式如下：

定義邊緣標(biāo)注圖中標(biāo)注點(diǎn)的像素集合set(a)，背景像素點(diǎn)

集合set(g)，預(yù)測(cè)像素集合set(b)。其中，φ(set(a))表示集合a的像素總數(shù)。

(9)

(10)

FR=FRR+FAR

(11)

(12)

(13)

優(yōu)秀的邊緣檢測(cè)算法應(yīng)該體現(xiàn)在更低的錯(cuò)誤率FR與更高的真邊緣率TER，輸出圖像的邊緣應(yīng)細(xì)膩而連續(xù)，且對(duì)噪聲的控制更強(qiáng)，具有一定的紋理和邊緣識(shí)別能力。

首先選取了三類不同特點(diǎn)的圖片作為輸入，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 邊緣檢測(cè)輸出結(jié)果對(duì)比

第一類如行1所示，主體單一且突出，背景有部分紋理，邊緣/背景像素量比率(a/g)為0.647%，較為簡(jiǎn)單。第二類如行2所示，雙主體且分離獨(dú)立，無粘連，與背景也很好區(qū)分，邊緣/背景像素量比率為1.44%，較為一般。第三類如行3所示，前景與背景交錯(cuò)復(fù)雜，主體相對(duì)不夠突出，且紋理十分復(fù)雜，邊緣/背景像素比率為4.24%，較為復(fù)雜。通過計(jì)算，本文方法與經(jīng)典邊緣檢測(cè)算子的對(duì)比結(jié)果如表1所示。

表1 三種類圖像的邊緣檢測(cè)結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果表明，本文方法對(duì)比經(jīng)典邊緣檢測(cè)算子，具有更好邊緣提取效果與抗噪能力，邊緣更加連續(xù)，具有更小的錯(cuò)誤率與更高的真實(shí)邊緣命中率。但是，當(dāng)圖片紋理邊緣交錯(cuò)復(fù)雜，且主體融于背景，連標(biāo)注的邊緣圖都無法很好表達(dá)主體時(shí)，本文方法表現(xiàn)略差于canny算子，但依然能達(dá)到優(yōu)秀水平。

為驗(yàn)證算子的魯棒性，將BSDS 500張圖片作為測(cè)試對(duì)象進(jìn)行邊緣檢測(cè)取并取平均值，最終的實(shí)驗(yàn)結(jié)果如表2所示。由此證明，本文方法綜合評(píng)價(jià)優(yōu)于經(jīng)典的一二階邊緣檢測(cè)算子，且在噪聲控制和紋理邊緣區(qū)分上有更好的表現(xiàn)。

表2 BSDS數(shù)據(jù)集邊緣檢測(cè)結(jié)果對(duì)比

3.2 改進(jìn)的DeepLabv3+模型的仿真實(shí)驗(yàn)

我們選擇PASCALVOC2012數(shù)據(jù)集作為改進(jìn)模型的驗(yàn)證數(shù)據(jù)集，該數(shù)據(jù)集用于語義分割的子類擁有1464張訓(xùn)練圖片，1449張驗(yàn)證圖片以及1456張測(cè)試圖片，包含20個(gè)前景分類和1個(gè)背景分類共計(jì)21類，數(shù)據(jù)集中大部分圖像的分辨率接近500×500。

實(shí)驗(yàn)平臺(tái)基于Windows10操作系統(tǒng)，CPU為Intel Xeon E3-1230 v5@ 3.40GHz，GPU為NVIDIAGeForceGTX970，使用TensorFlow框架來訓(xùn)練模型。模型以Xception65作為backbone，選擇使用經(jīng)ImageNet、MS-COCO、VOC2012增強(qiáng)數(shù)據(jù)集預(yù)訓(xùn)練的權(quán)重初始化模型[31]。綜合考慮平臺(tái)性能，在訓(xùn)練參數(shù)選擇上將訓(xùn)練crop_size調(diào)整為321×321，batchsize為2，采用poly學(xué)習(xí)策略[32]，初始學(xué)習(xí)率為0.0001，衰減因子為0.1，空洞率選擇(6，12，18)。

平均交叉比(Mean Intersection Over Union，MIOU)是語義分割算法性能的標(biāo)準(zhǔn)評(píng)估指標(biāo)，IOU和MIOU的計(jì)算方法為：

(14)

(15)

其中，k+1為包含背景的類別總數(shù)，Pij表示將類別i預(yù)測(cè)為類別j的像素?cái)?shù)量。

實(shí)驗(yàn)結(jié)果如表3所示，改進(jìn)后的模型通過對(duì)多類標(biāo)簽的邊緣進(jìn)行了優(yōu)化，特別是邊緣規(guī)則的標(biāo)簽對(duì)象，提升十分明顯，綜合比對(duì)下新模型具有更好的分割性能。

表3 語義標(biāo)簽分割結(jié)果對(duì)比

同時(shí)為了驗(yàn)證本文方法中微分算子有效性，我們還將其他的經(jīng)典算子也加入對(duì)比實(shí)驗(yàn)。對(duì)比結(jié)果如表4所示。實(shí)驗(yàn)表明只有分?jǐn)?shù)階微分算子達(dá)到了89%以上的MIOU，證實(shí)了選擇分?jǐn)?shù)階微分算子作為邊緣提取模塊算子的唯一性。

表4 幾類邊緣檢測(cè)算子的分割對(duì)比實(shí)驗(yàn)

最后，將本文方法與目前比較先進(jìn)的語義分割算法在PASCAL VOC2012數(shù)據(jù)集上進(jìn)行了比對(duì)，結(jié)果如表5所示。本文方法的語義分割MIOU為89.10%，達(dá)到了SOTA水平，圖像分割結(jié)果如圖6所示。

表5 前沿語義分割模型對(duì)比實(shí)驗(yàn)

圖6 語義分割輸出結(jié)果對(duì)比

實(shí)驗(yàn)證明，結(jié)合分?jǐn)?shù)階(微分)滑動(dòng)閾值邊緣檢測(cè)模塊的新模型在邊緣分割上表現(xiàn)更加優(yōu)秀，且一定程度上解決了相同類別的粘連問題。同樣不可忽視的是，新的模型也沒能解決DeepLabv3+分割失敗的案例(如圖6行5所示)，模型依舊不具備對(duì)小弱目標(biāo)的分割能力。

4 結(jié)語

本文提出一種滑動(dòng)閾值的分?jǐn)?shù)階(微分)邊緣檢測(cè)算子，通過滑動(dòng)閾值方法解決了分?jǐn)?shù)階微分算子最核心的階次問題，在保證噪聲控制和區(qū)分邊緣與紋理的要求下，能夠獲取更加完整且連續(xù)的邊緣圖像。接著，將此算子設(shè)計(jì)為邊緣檢測(cè)模塊對(duì)原始DeepLabv3+模型的邊緣分割效果進(jìn)行了優(yōu)化，減少了下采樣操作和空洞卷積對(duì)邊緣分割的負(fù)面影響，獲得了邊緣優(yōu)化的分割效果。經(jīng)過對(duì)比分析，本文方法具備可行性與先進(jìn)性，且作為一種解碼結(jié)構(gòu)設(shè)計(jì)的邊緣特征提取模塊，該方法可以適用于任意FCN族類的語義分割模型，具備了一定的可拓展性。在最后的實(shí)驗(yàn)中，本文方法沒能解決原始DeepLabv3+模型對(duì)于小弱目標(biāo)分割能力差的問題，該問題可以作為下一步的方向開展新的研究。