• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    MDF-ANet:低光照環(huán)境下的無人駕駛視覺融合分割方法

    2022-01-23 08:26:50常亮白傑胡會會鐘宏亮
    關(guān)鍵詞:深度圖池化光照

    常亮, 白傑, 胡會會, 鐘宏亮

    (1. 同濟(jì)大學(xué) 汽車學(xué)院,上海 200082; 2. 中國科學(xué)院 微小衛(wèi)星創(chuàng)新研究院,上海 201210)

    圖像語義分割是計(jì)算機(jī)視覺領(lǐng)域中的一項(xiàng)基本研究內(nèi)容,是根據(jù)目標(biāo)鄰域特征針對每個(gè)像素進(jìn)行分類,最終得到一個(gè)具有像素級語義標(biāo)注的圖像,在各領(lǐng)域中都具有極其重要作用,如自動駕駛[1]、通道安檢、醫(yī)療健康領(lǐng)域等[2],在自動駕駛領(lǐng)域,通過圖像語義分割可幫助進(jìn)行避障和路徑規(guī)劃[3-4];在通道安檢領(lǐng)域,可準(zhǔn)確分割并識別出危險(xiǎn)物品;在醫(yī)療領(lǐng)域,可幫助醫(yī)師進(jìn)行病灶的分割和識別. 隨著深度學(xué)習(xí)技術(shù)發(fā)展及計(jì)算機(jī)硬件性能的提高,深層次大規(guī)模的神經(jīng)網(wǎng)絡(luò)在圖像語義分割方面已經(jīng)取得了很大的進(jìn)展.

    一般在利用卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分類時(shí),會在卷積層的后面引入全連接層, 即將圖像的二維特征轉(zhuǎn)換為一維特征,不利于圖像語義分割,LONG等[5]提出了去除全連層的全卷積神經(jīng)網(wǎng)絡(luò)( fully convolutional networks,F(xiàn)CN),使網(wǎng)絡(luò)具有密集預(yù)測能力的同時(shí)允許任一尺寸的圖像作為輸入,后面的基于深度學(xué)習(xí)的語義分割研究幾乎都采用全卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ),使端到端的圖像分割網(wǎng)絡(luò)得以推廣,同時(shí)提出了使用反卷積進(jìn)行上采樣,并使用上采樣的粗糙分割特征圖與高分辨特征圖進(jìn)行跳躍連接以改善上采樣層中粗糙的像素定位,從而實(shí)現(xiàn)像素精準(zhǔn)分割. 深度學(xué)習(xí)網(wǎng)絡(luò)中的池化層增大了感受野但會因此丟棄部分位置信息,為解決此問題,人們提出了兩種不同的解決思路. U-net采用編碼-解碼結(jié)構(gòu)進(jìn)行分割網(wǎng)絡(luò)設(shè)計(jì),編碼器通過使用池化層,縮小圖像尺寸提高濾波器的感受野,而解碼器則通過上采樣恢復(fù)圖像空間維度,且在每次上采樣后在通道維度上級聯(lián)編碼器中同一尺度的特征,來幫助解碼器恢復(fù)圖像的細(xì)節(jié),在醫(yī)學(xué)圖像上得到很大的應(yīng)用[2]. CHEN等[6]提出了空洞卷積在不降低圖像分辨率的情況下提高濾波器的感受野,并且在網(wǎng)絡(luò)后使用全連接條件隨機(jī)場進(jìn)行處理,恢復(fù)圖像邊緣的信息,在一定程度上改善了分割效果. ZHAO等[7]在使用空洞卷積的基礎(chǔ)上添加了金字塔池化模塊,聚合不同區(qū)域的上下文信息,在語義分割上產(chǎn)生了更好的效果. 近幾年,注意力機(jī)制不但在NLP領(lǐng)域取得主導(dǎo)地位,而且在圖像分割領(lǐng)域也得到了極大的關(guān)注,F(xiàn)U[8]提出一個(gè)新型的集成雙路注意力機(jī)制的語義分割模型,在空洞卷積的特征提取模塊后采用兩個(gè)并行的位置注意力模塊和通道注意力模塊,進(jìn)行語義信息的聚合.

    但現(xiàn)存的語義分割方法大多是在正常光照條件下的研究,缺乏低光照環(huán)境下的探索,當(dāng)光照強(qiáng)度降低時(shí),性能往往降低很多. 在自動駕駛領(lǐng)域中,會遇到各種各樣的自然條件[9],對于低光照場景下,光照不足會導(dǎo)致圖像信息丟失,造成圖像上目標(biāo)間的邊界細(xì)節(jié)丟失,沒有足夠的特征來進(jìn)行視覺處理,而簡單地使用圖像亮度增強(qiáng)方法會引入噪聲,影響圖像分割效果. KVYETNYY等[10]認(rèn)為低光照圖像是噪聲干擾的結(jié)果,使用圖像預(yù)處理的方式能夠提高目標(biāo)檢測率,提出了一個(gè)雙邊濾波和小波閾值的方式進(jìn)行去噪處理,然后再進(jìn)行圖像檢測. RASHED等[11]提出了一個(gè)基于Lidar光流計(jì)算和相機(jī)光流計(jì)算的CNN結(jié)構(gòu)用于低光照條件下運(yùn)動目標(biāo)的檢測,但此方法僅限于動態(tài)目標(biāo)的檢測,不夠全面,自動駕駛中也要避讓很多靜態(tài)障礙物. 王昊然[12]提出了一種利用遷移學(xué)習(xí)的低光照場景語義分割算法,將提取的理想場景圖像的特征,如包含有利于圖像分割的亮度和顏色信息,補(bǔ)充到低光照圖像特征中,進(jìn)而提升低光照圖像的語義分割效果. SASAGAWA等[13]提出了一種域自適應(yīng)的新方法,使用glue層和生成模型合并不同領(lǐng)域的預(yù)訓(xùn)練模型,用于低光照條件下的目標(biāo)檢測,與創(chuàng)建新的數(shù)據(jù)集相比,花費(fèi)的資源更少.

    針對上述低光照條件下圖像亮度不足,信息丟失問題,本文提出了一種深度圖輔助圖像語義分割的兩路融合網(wǎng)絡(luò),兩路網(wǎng)絡(luò)分別使用深度圖和RGB圖作為輸入,并且在不同尺度的輸出層上通過自注意力機(jī)制模塊進(jìn)行特征圖融合,最后將多個(gè)尺度的輸出特征共同輸入到多尺度融合模塊,對不同尺度的特征進(jìn)行互補(bǔ)性融合,有效地提高圖像分割效果.

    1 MDF-ANet模型

    本文設(shè)計(jì)了一個(gè)相對獨(dú)立兩路融合網(wǎng)絡(luò)框架,分別對原始的RGB和深度圖進(jìn)行處理,并設(shè)計(jì)融合模塊整合兩路提取的特征層,充分利用不同傳感器在不同外界條件下的感知特性,提高了整個(gè)模型對低光照條件下的感知效率. 如圖1所示,MDF-ANet模型框架大致可以分為3個(gè)模塊:特征提取、特征融合和多尺度融合上采樣. 兩路特征提取子網(wǎng)絡(luò)分別使用深度圖和RGB圖作為輸入,并且在不同尺度的輸出層上通過特征融合模塊進(jìn)行融合;為了進(jìn)一步聚合高階特征,在最后一個(gè)尺度特征層后接一個(gè)空間金字塔池化模塊(spatial pyramid pooling,SPP)[7],最后將多個(gè)尺度的輸出特征共同輸入多尺度融合上采樣模塊,得到最后的分割圖.

    圖1 整體網(wǎng)絡(luò)結(jié)構(gòu)示意圖

    1.1 特征提取模塊

    特征提取模塊主要提取圖像的紋理信息及空間信息,尤其是物體豐富的邊緣信息,對圖像分割具有很大的幫助. 但對于被動傳感器相機(jī)來說,低光照情況下,會引入很多的噪聲,不利于圖像分割;但主動傳感器激光雷達(dá)所得到的深度圖幾乎不受光照的影響,且測距誤差小. 故本文設(shè)計(jì)了一個(gè)兩路融合網(wǎng)絡(luò),一路處理相機(jī)數(shù)據(jù)RGB圖像,另一路處理激光雷達(dá)得到的深度圖像. 相機(jī)數(shù)據(jù)是一個(gè)三通道的RGB數(shù)據(jù),而雷達(dá)數(shù)據(jù)是離散的空間點(diǎn),對雷達(dá)點(diǎn)云的處理一般包括俯視圖處理、直接點(diǎn)云輸入和極坐標(biāo)處理. 俯視圖處理或是直接點(diǎn)云輸入經(jīng)過特征提取網(wǎng)絡(luò)提取的特征層和RGB特征層屬于不同視角,不能直接進(jìn)行融合處理,大多進(jìn)行目標(biāo)檢測框與框之間的后處理,不利于圖像分割,故本文中使用極坐標(biāo)處理,即空間點(diǎn)云經(jīng)過坐標(biāo)變換轉(zhuǎn)換成前視圖的深度圖,便于進(jìn)行后續(xù)的特征層融合.

    本文中選用ResNet-18[14]作為RGB特征提取的基干網(wǎng)絡(luò),ResNet-18具有適當(dāng)?shù)纳疃群蜌埐罱Y(jié)構(gòu),兼具實(shí)時(shí)性和性能;因深度圖和RGB圖具有相同的特征視角,特征提取具有一定的相似性,故采用相同的特征提取網(wǎng)絡(luò),在相同特征尺度層通過特征融合模塊進(jìn)行特征融合.

    1.2 特征融合模塊

    不同的傳感器所含信息豐富度不同,比如RGB包含更多的色彩信息,更易于像素分類,而深度圖包含更多的距離和空間信息,更易于不同目標(biāo)之間像素分割. 且傳感器數(shù)據(jù)有效信息質(zhì)量會隨著外界條件的不同而不同,比如低光照條件下,RGB數(shù)據(jù)中包含更多的噪聲,有效信息減少,而深度圖則不受光照的影響. 傳統(tǒng)的特征層融合方式,即不同傳感器特征層簡單相加或是合并,相當(dāng)于是平等使用不同源數(shù)據(jù)特征層,不能很好地利用不同數(shù)據(jù)在不同條件下的特性,提出使用注意力機(jī)制的特征融合模塊[9],針對不同條件下,自動弱化不重要信息,加強(qiáng)有效互補(bǔ)的信息融合,特征融合模塊網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

    圖2 基于注意力機(jī)制的特征融合模型

    假定RGB輸入特征層為X=[x1,x2,...,xC]∈C×H×W,深度圖輸入特征層為D=[d1,d2,...,dC]∈C×H×W,O∈C×H×W為融合后特征層,計(jì)算表達(dá)式為

    O=(X?ca(X))?sa(X?ca(X))+

    (D?ca(D))?sa(D?ca(D))

    (1)

    式中:?代表向量點(diǎn)乘;ca代表通道注意力模型;sa代表空間注意力模型.X和D分別經(jīng)過各自的注意力機(jī)制模塊后獲得不同的權(quán)重值,然后與各自的特征層點(diǎn)乘加權(quán),再相加融合,能夠自動加強(qiáng)有效信息的融合.

    1.2.1通道注意力機(jī)制

    卷積神經(jīng)網(wǎng)絡(luò)的原理是通過采集圖像局部感受野的空間和通道信息,并根據(jù)采集的信息提取包含不同信息的表征. 比如紋理信息和形狀信息,每個(gè)卷積層包含多個(gè)濾波器,每個(gè)濾波器對輸入特征的所有通道進(jìn)行計(jì)算,學(xué)習(xí)表征不同的圖像特征,如X=[x1,x2,...,xC]∈C×H×W就是由C個(gè)濾波器進(jìn)行卷積計(jì)算過得到的C個(gè)H×W的特征圖. 每個(gè)特征圖包含的信息量不同,對圖像分割的貢獻(xiàn)程度也不同[15],應(yīng)根據(jù)不同特征層的重要程度給予不同的計(jì)算權(quán)重,使網(wǎng)絡(luò)偏向于輸入信號中信息量較大的部分,本文中使用的通道注意力機(jī)制如圖3所示.

    首先將特征層經(jīng)過全局的平均值池化和最大值池化,得到每個(gè)通道特征圖的表征值,大小為C×1, 平均池化就是對特征層中每個(gè)特征圖計(jì)算均值,公式為

    (2)

    式中:W,H分別代表特征圖的寬和高;Im代表特征層中的第m個(gè)特征圖,m∈(1,C);Am表征第m個(gè)特征圖的平均值,A為一個(gè)大小為C×1的向量.

    最大值池化就是對特征層中的每個(gè)特征圖計(jì)算最大值,公式為

    Mm=max(Im)

    (3)

    式中:Im代表特征層中的第m個(gè)特征圖,m∈(1,C);Mm表征第m個(gè)特征圖的最大值;M是一個(gè)大小為C×1的向量.

    為了進(jìn)一步學(xué)習(xí)不同特征圖的權(quán)重同時(shí)減少計(jì)算量,使最大值池化層和平均值池化層接入一個(gè)共享層,共享層由一個(gè)通道減少的1×1卷積層、ReLU層和一個(gè)通道增加至初始通道數(shù)的1×1卷積層組成,能夠使模型充分地學(xué)習(xí)不同特征圖的權(quán)重,并在一定程度上防止過擬合現(xiàn)象. 最后將兩路的特征進(jìn)行相加,得到一個(gè)C×1向量,然后輸入sigmoid函數(shù)得到不同通道的權(quán)重,限定權(quán)重為在0~1之間的浮點(diǎn)數(shù),計(jì)算過程為

    ca(X)=sigmoid(φ(φ1(X))+φ(φ2(X)))

    (4)

    式中:φ表示共享層網(wǎng)絡(luò);φ1,φ2分別表示均值池化和最大值池化操作.

    1.2.2空間注意力機(jī)制

    當(dāng)看一個(gè)場景或是一副圖像時(shí),會自動聚焦于場景中的關(guān)鍵位置,對重要位置給予更多關(guān)注. 空間注意力機(jī)制就是仿照人類視覺的注意力機(jī)制[16]設(shè)計(jì)的. 其通過自動學(xué)習(xí)圖像中的不同位置特征信息并分配不同權(quán)重,突出關(guān)鍵信息,忽略不重要信息,利用有限的注意力從大幅圖像中提取出高價(jià)值信息,本文中空間注意力機(jī)制如圖4所示.

    圖4 空間注意力機(jī)制

    首先將特征層在通道維度上進(jìn)行平均值池化和最大值池化,得到特征圖上每個(gè)位置的表征值,大小為H×W,平均池化就是對特征圖中多個(gè)通道特征計(jì)算均值,公式為

    (5)

    式中:C,W,H分別代表特征層的通道數(shù)、寬和高;Ik代表特征層中的第k個(gè)特征圖,k∈(1,C);IA(i,j)表示在通道維度上進(jìn)行平均池化輸出特征圖的第i行j列的值,IA是一個(gè)大小為H×W的特征圖.

    通道維度上的最大值池化就是對特征圖中多個(gè)通道特征計(jì)算最大值,公式為

    IM(i,j)=max([I1(i,j),I2(i,j),…,IC(i,j)])

    (6)

    IM表示通道維度上最大池化的輸出特征圖,是一個(gè)大小為H×W的矩陣.

    再將最大值池化和平均值池化輸出圖在通道上進(jìn)行合并,然后輸入一個(gè)7×7卷積層和sigmoid函數(shù)得到不同通道的權(quán)重,限定權(quán)重為在0~1之間的浮點(diǎn)數(shù),計(jì)算過程為

    sp(X)=sigmoid(φsp([ω1(X),ω2(X)]))

    (7)

    式中:φsp表示卷積網(wǎng)絡(luò)層;ω1,ω2分別表示均值池化和最大值池化操作.

    1.3 多尺度融合上采樣模塊

    語義分割是對圖像中的像素進(jìn)行類別預(yù)測,小而細(xì)的物體通常在高分辨率特征層得到很好的預(yù)測,大結(jié)構(gòu)的物體通常在低分辨率特征層才能夠進(jìn)行正確的識別,因?yàn)樵诳s小圖像尺寸時(shí),網(wǎng)絡(luò)才能更好地觀測到大物體的上下文信息. 如圖5所示,本文引入一種多尺度融合上采樣模塊的方法以解決上述問題[17].

    圖5 多尺度融合的上采樣模塊

    首先對低分辨率特征層scale 1/32進(jìn)行雙線性插值的上采樣操作變成和其上一尺度scale 1/16同樣大小的特征層,然后與其上一尺度特征層一起進(jìn)入Attn模塊,通過注意力機(jī)制使網(wǎng)絡(luò)學(xué)習(xí)一個(gè)相鄰尺度之間的相關(guān)權(quán)重,兩個(gè)相鄰尺度的特征層分別點(diǎn)乘相應(yīng)的權(quán)重圖,再相加作為此次融合的輸出;進(jìn)一步作為此尺度下的輸出與scale 1/8的特征層合并輸入Attn模塊,進(jìn)行相同的操作. 基于注意力機(jī)制的多尺度融合上采樣模塊能夠更好地結(jié)合互補(bǔ)性的多尺度特征信息,有效地提高圖像分割性能.

    Attn模塊結(jié)構(gòu)圖如圖6所示. 兩路輸入進(jìn)入模塊后,先進(jìn)行通道的級聯(lián)拼接,然后通過一個(gè)3×3的卷積網(wǎng)絡(luò)、BN、RLU,再接一個(gè)1×1卷積網(wǎng)絡(luò),能夠進(jìn)一步探索通道之間的相關(guān)性,最后通過一個(gè)sigmoid函數(shù),約束權(quán)重在0~1之間.

    圖6 Attn模塊結(jié)構(gòu)

    2 實(shí)驗(yàn)

    2.1 實(shí)驗(yàn)設(shè)置

    本文中實(shí)驗(yàn)框架采用Pytorch1.5、CUDA10.2、CUDNN7.6,2080Ti顯卡. 訓(xùn)練時(shí)對輸入數(shù)據(jù)進(jìn)行裁剪、隨機(jī)水平翻轉(zhuǎn)、隨機(jī)0.5~2倍的放大縮小等數(shù)據(jù)增強(qiáng)操作,采用ResNet-18作為基干網(wǎng)絡(luò),并使用ResNet-18在ImageNet上的訓(xùn)練結(jié)果作為預(yù)訓(xùn)練權(quán)重,加快模型訓(xùn)練. 本文采用語義分割領(lǐng)域常用的Cityscapes[18]數(shù)據(jù)集進(jìn)行實(shí)驗(yàn). Cityscapes[18]數(shù)據(jù)集是一個(gè)城市街道數(shù)據(jù)庫,其中包含相機(jī)RGB圖像和視差圖,通過相應(yīng)的相機(jī)參數(shù)計(jì)算得到其深度圖進(jìn)行實(shí)驗(yàn),其中包括常見的精細(xì)語義標(biāo)注的19類目標(biāo),2 795張訓(xùn)練圖像、500張驗(yàn)證圖像數(shù)據(jù)和1 525張測試圖像,圖像原始大小為2 0481 024. 本文目標(biāo)是提出一種適用于低光照圖像分割的語義分割方法,但就目前所知,還沒有純粹的包含低光照或是夜晚圖像及其相應(yīng)深度圖的數(shù)據(jù)集,因此本文把Cityscapes訓(xùn)練集和驗(yàn)證集圖像調(diào)整為256256,并通過圖像轉(zhuǎn)換的方法CycleGAN[11]及其訓(xùn)練權(quán)重[19]生成大小為256256的低光照圖像,稱為Small-dark-cityscapes數(shù)據(jù)集,包括2 795張訓(xùn)練集、500張驗(yàn)證集數(shù)據(jù).

    2.2 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證本文方法的有效性,本文基于Cityscapes及Small-dark-cityscapes數(shù)據(jù)集不同實(shí)驗(yàn)設(shè)置的實(shí)驗(yàn)結(jié)果如表1所示,實(shí)驗(yàn)將Cityscapes和Small-dark-cityscapes訓(xùn)練集劃分訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù),將Cityscapes和Small-dark-cityscapes驗(yàn)證集作為測試數(shù)據(jù). RGB-day 表示只用正常光照RGB圖像作為模型輸入,如大多數(shù)現(xiàn)存文獻(xiàn)方法一樣,只考慮了白天正常光照情況下的圖像分割,可作為本實(shí)驗(yàn)的比較基準(zhǔn),在Cityscapes驗(yàn)證集上達(dá)到63.57%mIOU. MDF-ANet-no-night代表本文所提出的方法,采用白天正常光照條件下的RGB圖和深度圖作為輸入,與RGB-day做對比,達(dá)到了67.10% mIOU,體現(xiàn)了使用RGB和深度圖融合的本文方法的有效性. RGB*Depth、RGB + Depth分別代表使用特征層通道上拼接、特征層相加的融合方式進(jìn)行特征層融合,和MDF-ANet-no-night方法結(jié)果相比較,說明了本文提出的基于注意力機(jī)制融合的方法具有一定的優(yōu)勢.

    表1 Cityscapes及Small-dark-cityscapes驗(yàn)證集上不同實(shí)驗(yàn)設(shè)置的實(shí)驗(yàn)結(jié)果

    為了進(jìn)一步體現(xiàn)本文方法對低光照圖像的分割效果,表1中展示了不同方法對Small-dark-cityscapes驗(yàn)證集的分割效果,RGB-night 表示只使用生成的低光照的RGB進(jìn)行訓(xùn)練和驗(yàn)證,達(dá)到了41.0%mIOU的效果,說明低光照情況下,亮度不足,造成RGB數(shù)據(jù)有效信息丟失,網(wǎng)絡(luò)無法提取到足夠的有效特征進(jìn)行像素分割. RGB-day-night表示同時(shí)使用正常光照和低光照條件下的RGB數(shù)據(jù)進(jìn)行訓(xùn)練,并只在低光照圖像上進(jìn)行驗(yàn)證,達(dá)到了45.18%的mIOU,說明擴(kuò)展訓(xùn)練數(shù)據(jù)范圍,在一定程度上能夠提高模型精度. MDF-ANet表示本文方法使用正常光照和低光照條件下的RGB數(shù)據(jù)及其深度圖進(jìn)行訓(xùn)練,在Small-dark-cityscapes驗(yàn)證集達(dá)到59.80%的mIOU, 相比前兩種方法mIOU分別提高了18.8%, 14.62%,充分證明了本文方法的有效性. 為了綜合體現(xiàn)本文方法的分割性能,表1中展示了不同方法對Cityscapes+Small-dark-cityscapes驗(yàn)證集的分割結(jié)果. 在全部驗(yàn)證集上,本文方法MDF-ANet相對于RGB-day、RGB-day-night,在mIOU和精準(zhǔn)度上分別取得了明顯的提高,再一次說明了在各種不可測的外部環(huán)境下,多模態(tài)數(shù)據(jù)融合模型是進(jìn)行場景分割識別的趨勢,能夠進(jìn)行信息互補(bǔ),使模型具有較高的穩(wěn)定性.

    圖7展示了本文分割算法的示例結(jié)果,每行代表一個(gè)數(shù)據(jù)樣本,從左至右依次為輸入數(shù)據(jù)RGB圖、深度圖、標(biāo)注圖像和預(yù)測結(jié)果圖. 第一行為白天數(shù)據(jù)樣本,可以看到本文算法對細(xì)長的柱形物體也能預(yù)測出來,對較小的目標(biāo)具有很好的識別度. 第二、三行為通過生成網(wǎng)絡(luò)生成的低光照圖像樣本,在RGB圖像中幾乎看不清的目標(biāo),如行人、柱子,在其深度圖中具有明顯的形態(tài)信息,可以很好地觀測出來,本文分割算法同時(shí)輸入RGB圖和深度圖,對兩種數(shù)據(jù)源特征圖進(jìn)行互補(bǔ)性融合,達(dá)到能夠在低光照條件下識別目標(biāo)的目的,具有很好的魯棒性.

    圖7 本文分割算法的示例結(jié)果圖

    3 結(jié) 論

    針對低光照情況下圖像亮度不足,信息丟失,語義分割性能降低的問題,本文提出了一個(gè)新的融合RGB和深度圖的語義分割網(wǎng)絡(luò):首先,分別使用RGB和深度圖作為融合網(wǎng)絡(luò)兩路分支特征提取子網(wǎng)絡(luò)的輸入;然后,在每個(gè)輸出尺度上通過特征融合模塊進(jìn)行特征融合;最后,將特征圖通過多尺度融合上采樣模塊,進(jìn)行不同感受野的充分特征融合后得到分割結(jié)果. 在Cityscapes數(shù)據(jù)集實(shí)驗(yàn)及自己生成的低光照數(shù)據(jù)集上進(jìn)行了驗(yàn)證,相比較只使用RGB輸入的模型,性能提高了9.1%,在NVIDIA 2080Ti顯卡上達(dá)到了35 fps. 在下一步的研究中,探索更加有效的融合方式以達(dá)到縮小模型參數(shù)量的同時(shí)提高模型效果的目標(biāo).

    猜你喜歡
    深度圖池化光照
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設(shè)計(jì)
    節(jié)能環(huán)保 光照萬家(公益宣傳)
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    節(jié)能環(huán)保光照萬家(公益宣傳)
    基于深度圖的3D-HEVC魯棒視頻水印算法
    春光照瑤鄉(xiāng)
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識別研究
    一種基于局部直方圖匹配的深度編碼濾波算法
    疊加速度譜在鉆孔稀少地區(qū)資料解釋中的應(yīng)用
    科技視界(2016年2期)2016-03-30 11:17:03
    一个人观看的视频www高清免费观看| 一级黄色大片毛片| 2021天堂中文幕一二区在线观| 97超视频在线观看视频| 久久精品91无色码中文字幕| 法律面前人人平等表现在哪些方面| 国产伦一二天堂av在线观看| 色在线成人网| 性色av乱码一区二区三区2| 欧美日韩一级在线毛片| 成人欧美大片| 国产爱豆传媒在线观看| 久久久久久久午夜电影| 国内精品久久久久久久电影| 久久久久免费精品人妻一区二区| 国产午夜精品久久久久久一区二区三区 | 国产一区二区激情短视频| 69av精品久久久久久| 一级作爱视频免费观看| 一级毛片高清免费大全| 99久久久亚洲精品蜜臀av| 男女下面进入的视频免费午夜| 免费大片18禁| 亚洲成a人片在线一区二区| 国产激情偷乱视频一区二区| 99国产极品粉嫩在线观看| 床上黄色一级片| 午夜免费激情av| 成人18禁在线播放| 久久香蕉精品热| 亚洲欧美日韩无卡精品| 国产一区二区三区视频了| 嫩草影院入口| 性色av乱码一区二区三区2| 日日干狠狠操夜夜爽| 日本黄色片子视频| 欧美日韩瑟瑟在线播放| 最新中文字幕久久久久| 欧美成人一区二区免费高清观看| 国产又黄又爽又无遮挡在线| 国产一区二区三区视频了| 日韩欧美三级三区| 女警被强在线播放| 欧美+日韩+精品| 2021天堂中文幕一二区在线观| 国产精品精品国产色婷婷| 亚洲人成伊人成综合网2020| 在线播放无遮挡| 好男人电影高清在线观看| 欧美一区二区国产精品久久精品| x7x7x7水蜜桃| 亚洲va日本ⅴa欧美va伊人久久| 亚洲成人中文字幕在线播放| 欧美xxxx黑人xx丫x性爽| 亚洲精品乱码久久久v下载方式 | 国产精品 国内视频| 一卡2卡三卡四卡精品乱码亚洲| 特级一级黄色大片| 国产成人系列免费观看| 欧美成人一区二区免费高清观看| 国产综合懂色| 999久久久精品免费观看国产| 美女高潮喷水抽搐中文字幕| 可以在线观看的亚洲视频| 国产激情偷乱视频一区二区| 少妇人妻一区二区三区视频| 嫩草影院入口| 最新美女视频免费是黄的| 九九在线视频观看精品| 19禁男女啪啪无遮挡网站| 一级作爱视频免费观看| 欧美日韩国产亚洲二区| 男女做爰动态图高潮gif福利片| 夜夜爽天天搞| 国产色婷婷99| 国产av在哪里看| 深爱激情五月婷婷| 99热这里只有精品一区| 三级男女做爰猛烈吃奶摸视频| 男女做爰动态图高潮gif福利片| 免费看十八禁软件| 脱女人内裤的视频| 2021天堂中文幕一二区在线观| 我要搜黄色片| 99久久成人亚洲精品观看| 国产精品亚洲一级av第二区| 亚洲国产欧洲综合997久久,| 色视频www国产| 久久精品亚洲精品国产色婷小说| 婷婷六月久久综合丁香| 国产淫片久久久久久久久 | 日本熟妇午夜| 美女高潮喷水抽搐中文字幕| xxxwww97欧美| 欧美精品啪啪一区二区三区| 18禁国产床啪视频网站| 狂野欧美白嫩少妇大欣赏| 午夜免费男女啪啪视频观看 | 久久久久精品国产欧美久久久| 国产亚洲精品久久久久久毛片| 久久久久久久久久黄片| 免费在线观看成人毛片| 欧美日韩精品网址| 国产国拍精品亚洲av在线观看 | 亚洲电影在线观看av| www.999成人在线观看| 别揉我奶头~嗯~啊~动态视频| a级一级毛片免费在线观看| 亚洲精品亚洲一区二区| 男女视频在线观看网站免费| 看免费av毛片| 亚洲国产精品999在线| 女人十人毛片免费观看3o分钟| 蜜桃久久精品国产亚洲av| 九九在线视频观看精品| 露出奶头的视频| 日本黄色片子视频| 全区人妻精品视频| 长腿黑丝高跟| 人妻久久中文字幕网| 久久国产精品影院| 琪琪午夜伦伦电影理论片6080| 欧美色欧美亚洲另类二区| 搞女人的毛片| 免费高清视频大片| 亚洲精品456在线播放app | 欧美+日韩+精品| 精品国产三级普通话版| 三级毛片av免费| 欧美日韩国产亚洲二区| 黄片小视频在线播放| 国产真实乱freesex| 国产亚洲精品综合一区在线观看| 国产蜜桃级精品一区二区三区| 午夜精品在线福利| 久久久久免费精品人妻一区二区| 日韩欧美三级三区| 亚洲精品456在线播放app | 老司机在亚洲福利影院| 麻豆国产97在线/欧美| 欧美丝袜亚洲另类 | 亚洲国产日韩欧美精品在线观看 | 国产成人a区在线观看| 久久久久久九九精品二区国产| 99久久综合精品五月天人人| 欧美日本视频| 丰满的人妻完整版| 99在线视频只有这里精品首页| 国产亚洲精品综合一区在线观看| 国产精品免费一区二区三区在线| 欧美黄色淫秽网站| 精品一区二区三区人妻视频| 69人妻影院| 精品久久久久久成人av| 成人国产一区最新在线观看| 最近最新免费中文字幕在线| 久久久久久久久中文| 午夜福利欧美成人| 国产美女午夜福利| 日韩精品中文字幕看吧| 国产精品三级大全| 亚洲第一电影网av| 亚洲精品一区av在线观看| av视频在线观看入口| 国产综合懂色| 美女免费视频网站| 亚洲成人久久爱视频| 免费看光身美女| 宅男免费午夜| 两人在一起打扑克的视频| 亚洲色图av天堂| www.999成人在线观看| 男人和女人高潮做爰伦理| 国产精品亚洲av一区麻豆| 美女被艹到高潮喷水动态| 欧美又色又爽又黄视频| 亚洲欧美日韩卡通动漫| 窝窝影院91人妻| 亚洲自拍偷在线| 日韩欧美精品免费久久 | 日韩免费av在线播放| 免费观看人在逋| 尤物成人国产欧美一区二区三区| 婷婷精品国产亚洲av在线| 一个人观看的视频www高清免费观看| 国内精品久久久久精免费| 村上凉子中文字幕在线| 日韩亚洲欧美综合| 国产黄片美女视频| 精品久久久久久久毛片微露脸| 免费看日本二区| 在线天堂最新版资源| 噜噜噜噜噜久久久久久91| 亚洲国产中文字幕在线视频| av天堂在线播放| 精品久久久久久久末码| 内射极品少妇av片p| 国产91精品成人一区二区三区| bbb黄色大片| 白带黄色成豆腐渣| 九九热线精品视视频播放| 亚洲人成网站在线播| 人妻夜夜爽99麻豆av| 香蕉丝袜av| 欧美大码av| 99国产极品粉嫩在线观看| 在线观看午夜福利视频| 日本熟妇午夜| 噜噜噜噜噜久久久久久91| 尤物成人国产欧美一区二区三区| 丁香欧美五月| 51国产日韩欧美| 网址你懂的国产日韩在线| 国产黄a三级三级三级人| 91麻豆av在线| 此物有八面人人有两片| 亚洲最大成人手机在线| 国产精品99久久99久久久不卡| 欧美日韩中文字幕国产精品一区二区三区| 欧美大码av| 男女午夜视频在线观看| 午夜精品久久久久久毛片777| 国产精品乱码一区二三区的特点| 久久精品综合一区二区三区| 亚洲人成网站高清观看| 亚洲片人在线观看| 国产97色在线日韩免费| 午夜福利高清视频| 国产成人影院久久av| 国产精品亚洲美女久久久| 88av欧美| 天堂影院成人在线观看| 中文字幕人成人乱码亚洲影| 国内精品久久久久久久电影| 91久久精品电影网| 日韩高清综合在线| 又黄又爽又免费观看的视频| 超碰av人人做人人爽久久 | 亚洲国产精品sss在线观看| 国产精华一区二区三区| 国产精品国产高清国产av| 麻豆国产97在线/欧美| 日本三级黄在线观看| 日韩精品青青久久久久久| 18美女黄网站色大片免费观看| 欧美高清成人免费视频www| 久久中文看片网| 亚洲精品456在线播放app | 全区人妻精品视频| 国产精品 国内视频| 韩国av一区二区三区四区| 久久久久久久久久黄片| 99久久成人亚洲精品观看| 日本与韩国留学比较| 久久性视频一级片| av天堂中文字幕网| 狠狠狠狠99中文字幕| 国产激情欧美一区二区| 在线免费观看的www视频| www国产在线视频色| 91久久精品电影网| 精品欧美国产一区二区三| 又黄又爽又免费观看的视频| 天美传媒精品一区二区| 亚洲无线观看免费| 欧美性猛交黑人性爽| 男女那种视频在线观看| 日韩欧美一区二区三区在线观看| 特大巨黑吊av在线直播| 欧美av亚洲av综合av国产av| 久久久久性生活片| 精品人妻偷拍中文字幕| tocl精华| 亚洲国产高清在线一区二区三| а√天堂www在线а√下载| 成人欧美大片| 哪里可以看免费的av片| 夜夜躁狠狠躁天天躁| 国产精品香港三级国产av潘金莲| 最新在线观看一区二区三区| 免费看a级黄色片| 一级作爱视频免费观看| 麻豆久久精品国产亚洲av| 一个人观看的视频www高清免费观看| 国产亚洲精品av在线| 亚洲精品美女久久久久99蜜臀| 蜜桃久久精品国产亚洲av| 亚洲乱码一区二区免费版| 最近在线观看免费完整版| 国产黄片美女视频| 老鸭窝网址在线观看| 国产精品99久久久久久久久| 中文字幕熟女人妻在线| 精品久久久久久久人妻蜜臀av| 日韩欧美三级三区| 观看免费一级毛片| 美女黄网站色视频| 特大巨黑吊av在线直播| 欧美三级亚洲精品| 亚洲精华国产精华精| 小蜜桃在线观看免费完整版高清| 亚洲自拍偷在线| 午夜老司机福利剧场| 免费一级毛片在线播放高清视频| 91av网一区二区| 黄色片一级片一级黄色片| 999久久久精品免费观看国产| 精品久久久久久久末码| 无限看片的www在线观看| 少妇的逼好多水| 两个人看的免费小视频| 欧美午夜高清在线| www.熟女人妻精品国产| 国产精品av视频在线免费观看| 国产精品亚洲av一区麻豆| 午夜福利高清视频| 国产淫片久久久久久久久 | 亚洲精品一区av在线观看| 日韩有码中文字幕| 麻豆久久精品国产亚洲av| 男人的好看免费观看在线视频| 国产精品99久久99久久久不卡| 亚洲欧美一区二区三区黑人| 一个人看视频在线观看www免费 | 欧美日韩国产亚洲二区| 国产伦精品一区二区三区视频9 | 久久国产精品影院| 亚洲精品久久国产高清桃花| 在线a可以看的网站| 女人十人毛片免费观看3o分钟| 国产免费男女视频| 国产精品自产拍在线观看55亚洲| 亚洲国产欧美网| 国产精品日韩av在线免费观看| 欧美一级a爱片免费观看看| 国产精品久久久久久精品电影| 欧美成人免费av一区二区三区| 日韩成人在线观看一区二区三区| 国内精品久久久久久久电影| 国产男靠女视频免费网站| bbb黄色大片| 欧美一区二区精品小视频在线| 亚洲成av人片免费观看| 熟女电影av网| 欧美乱妇无乱码| 午夜两性在线视频| 午夜福利视频1000在线观看| 动漫黄色视频在线观看| 麻豆国产av国片精品| 精品一区二区三区视频在线观看免费| 一本一本综合久久| 一区二区三区高清视频在线| 国产成人av教育| 国产精品综合久久久久久久免费| 一进一出抽搐动态| 午夜福利在线在线| 国产视频内射| 日韩欧美精品v在线| xxxwww97欧美| 91av网一区二区| 亚洲精品456在线播放app | 亚洲av成人不卡在线观看播放网| 午夜激情福利司机影院| 午夜影院日韩av| 最新在线观看一区二区三区| av国产免费在线观看| 91麻豆av在线| 久久婷婷人人爽人人干人人爱| 亚洲不卡免费看| avwww免费| 蜜桃久久精品国产亚洲av| 一区福利在线观看| 中文字幕人妻熟人妻熟丝袜美 | 日韩欧美在线乱码| 我要搜黄色片| 少妇高潮的动态图| 日韩高清综合在线| 国产免费一级a男人的天堂| 亚洲成av人片免费观看| 精品电影一区二区在线| 亚洲一区二区三区不卡视频| 俄罗斯特黄特色一大片| 国产成+人综合+亚洲专区| 欧美性感艳星| 可以在线观看毛片的网站| 最新中文字幕久久久久| 国产成人av教育| 午夜免费成人在线视频| 99久久综合精品五月天人人| 婷婷六月久久综合丁香| 99热这里只有是精品50| 变态另类丝袜制服| 久久久久久久久中文| 乱人视频在线观看| 国产免费男女视频| 成人午夜高清在线视频| 又紧又爽又黄一区二区| 国产精品嫩草影院av在线观看 | 看片在线看免费视频| 国产精品日韩av在线免费观看| 中文字幕高清在线视频| 性色av乱码一区二区三区2| 成人高潮视频无遮挡免费网站| 色播亚洲综合网| 久久国产精品影院| 岛国在线免费视频观看| 亚洲国产欧美网| 哪里可以看免费的av片| 国产激情欧美一区二区| 18禁在线播放成人免费| 手机成人av网站| 日本 欧美在线| 日本成人三级电影网站| 精品一区二区三区视频在线 | 欧美日韩亚洲国产一区二区在线观看| 香蕉av资源在线| 亚洲av成人精品一区久久| 国产成人福利小说| 韩国av一区二区三区四区| 欧美日韩乱码在线| 国产精品1区2区在线观看.| 久久久久国内视频| 悠悠久久av| 黄色片一级片一级黄色片| 最好的美女福利视频网| 亚洲久久久久久中文字幕| 精品国产美女av久久久久小说| 久久国产精品人妻蜜桃| 国产一区二区激情短视频| 中文资源天堂在线| 色播亚洲综合网| 亚洲中文字幕日韩| 99精品久久久久人妻精品| 男人舔奶头视频| 国产69精品久久久久777片| 91av网一区二区| 久久伊人香网站| 岛国视频午夜一区免费看| 中文字幕人妻熟人妻熟丝袜美 | 亚洲国产中文字幕在线视频| 午夜影院日韩av| 亚洲成av人片免费观看| 老汉色∧v一级毛片| 午夜激情福利司机影院| 五月伊人婷婷丁香| 九色国产91popny在线| 男人的好看免费观看在线视频| 国产一区二区三区视频了| bbb黄色大片| 日韩欧美精品v在线| 亚洲国产中文字幕在线视频| 五月玫瑰六月丁香| 日韩欧美在线乱码| 91久久精品国产一区二区成人 | 乱人视频在线观看| 亚洲欧美日韩东京热| 母亲3免费完整高清在线观看| 黄色日韩在线| 欧美成狂野欧美在线观看| 国产高清视频在线播放一区| 三级毛片av免费| 免费看a级黄色片| 91麻豆av在线| 91麻豆精品激情在线观看国产| 男女那种视频在线观看| 久久久国产精品麻豆| 国产精品亚洲美女久久久| av视频在线观看入口| 一级黄色大片毛片| 亚洲国产色片| 国产男靠女视频免费网站| 婷婷丁香在线五月| 草草在线视频免费看| 久久久久久久亚洲中文字幕 | 午夜福利在线观看吧| 全区人妻精品视频| 狂野欧美白嫩少妇大欣赏| 国产真实伦视频高清在线观看 | 久久草成人影院| 亚洲美女视频黄频| 欧美最黄视频在线播放免费| 搡老妇女老女人老熟妇| 亚洲中文字幕日韩| av片东京热男人的天堂| 成人三级黄色视频| www国产在线视频色| 97人妻精品一区二区三区麻豆| 亚洲欧美激情综合另类| 人人妻,人人澡人人爽秒播| 女警被强在线播放| 日韩免费av在线播放| 在线观看日韩欧美| 色在线成人网| 在线播放国产精品三级| 成人特级av手机在线观看| 国产精品一区二区三区四区免费观看 | 亚洲国产欧美网| 免费人成视频x8x8入口观看| 91久久精品电影网| 色综合欧美亚洲国产小说| 亚洲精品色激情综合| 91九色精品人成在线观看| 色精品久久人妻99蜜桃| 日韩精品青青久久久久久| 99热这里只有精品一区| 国产精品三级大全| 欧美+日韩+精品| 国产成人影院久久av| 欧美又色又爽又黄视频| 久久久久精品国产欧美久久久| 丰满乱子伦码专区| 成人国产综合亚洲| 麻豆成人午夜福利视频| 久久精品国产自在天天线| 国产色婷婷99| 国产高清有码在线观看视频| 三级国产精品欧美在线观看| 91麻豆av在线| 亚洲内射少妇av| 午夜福利在线观看免费完整高清在 | 久久久久性生活片| 一进一出好大好爽视频| 18+在线观看网站| 亚洲五月天丁香| 亚洲精品亚洲一区二区| 高清在线国产一区| 亚洲狠狠婷婷综合久久图片| av天堂中文字幕网| 国产日本99.免费观看| 免费av毛片视频| 亚洲中文日韩欧美视频| 欧美成人a在线观看| 亚洲 国产 在线| 日本三级黄在线观看| 色综合站精品国产| 三级男女做爰猛烈吃奶摸视频| 少妇人妻精品综合一区二区 | 久久久久久久午夜电影| 亚洲精品一卡2卡三卡4卡5卡| 日韩有码中文字幕| 九九久久精品国产亚洲av麻豆| 看片在线看免费视频| 欧美成人a在线观看| 日韩精品青青久久久久久| www.熟女人妻精品国产| 极品教师在线免费播放| 精品国产超薄肉色丝袜足j| 久久精品国产99精品国产亚洲性色| 88av欧美| 久久久久国产精品人妻aⅴ院| 1024手机看黄色片| www日本黄色视频网| 国产精品电影一区二区三区| 欧美黑人巨大hd| 大型黄色视频在线免费观看| 99久久成人亚洲精品观看| 舔av片在线| 99视频精品全部免费 在线| 成年免费大片在线观看| www.999成人在线观看| 久久久久国产精品人妻aⅴ院| 欧美日韩福利视频一区二区| 国产蜜桃级精品一区二区三区| 9191精品国产免费久久| 一本久久中文字幕| 一级a爱片免费观看的视频| 99精品在免费线老司机午夜| 亚洲黑人精品在线| 神马国产精品三级电影在线观看| 午夜久久久久精精品| 国产精品精品国产色婷婷| 精品国产亚洲在线| 午夜福利成人在线免费观看| 成人特级av手机在线观看| 女同久久另类99精品国产91| 欧美中文日本在线观看视频| 亚洲av成人av| 99久久九九国产精品国产免费| 三级毛片av免费| 国产精品免费一区二区三区在线| 免费看光身美女| 日韩有码中文字幕| 午夜免费观看网址| 内射极品少妇av片p| 欧美日韩福利视频一区二区| 国产欧美日韩一区二区三| 无限看片的www在线观看| 午夜精品久久久久久毛片777| 黄色女人牲交| 无限看片的www在线观看| 成人av在线播放网站| 婷婷六月久久综合丁香| 国产精品亚洲美女久久久| 亚洲国产色片| 精品国产美女av久久久久小说| 无限看片的www在线观看| 精品熟女少妇八av免费久了| 一进一出好大好爽视频| 伊人久久精品亚洲午夜| 三级毛片av免费| 亚洲精品色激情综合| 亚洲av五月六月丁香网| 夜夜夜夜夜久久久久| 国产欧美日韩精品亚洲av| 欧美最新免费一区二区三区 | 最近最新中文字幕大全电影3| 狠狠狠狠99中文字幕| 亚洲av成人不卡在线观看播放网| 亚洲人成网站高清观看| 久久亚洲真实| 久久国产乱子伦精品免费另类| 99久久精品一区二区三区| 亚洲精品久久国产高清桃花| 美女免费视频网站| av欧美777|