2023⁃03⁃10计算机应用,JournalofComputerApplications2023,43(3):936-942ISSN1001⁃9081CODENJYIIDUhttp：//www.joca.cn融合累积分布函数和通道注意力机制的DeepLabV3+图像分割算法何雪东1，宣士斌1，2*，王款1，陈梦楠1（1.广西民族大学人工智能学院，南宁530006；2.广西混杂计算与集成电路设计分析重点实验室（广西民族大学），南宁530006）（∗通信作者电子邮箱xuanshibin@gxmzu.edu.cn）摘要：为了解决DeepLabV3+在语义分割时未充分利用主干的低级特征，以及大倍数上采样造成有效特征缺失的问题，提出一种累积分布通道注意力DeepLabV3+（CDCA-DLV3+）模型。首先，基于累积分布函数和通道注意力提出了累积分布通道注意力（CDCA）；然后，利用CDCA获取主干部分有效的低级特征；最后，采用特征金字塔网络（FPN）进行特征融合和逐步上采样，从而避免大倍数上采样所造成的特征损失。CDCA-DLV3+模型在PascalVOC2012验证集与Cityscapes数据集上的平均交并比（mIoU）分别为80.09%和80.11%，相较于DeepLabV3+模型分别提升1.24和1.02个百分点。实验结果表明，所提模型分割结果更加精确。关键词：深度学习；图像语义分割；通道注意力机制；DeepLabV3+；累积分布函数中图分类号：TP183文献标志码：ADeepLabV3+imagesegmentationalgorithmfusingcumulativedistributionfunctionandchannelattentionmechanismHEXuedong1，XUANShibin1，2*，WANGKuan1，CHENMengnan1（1.SchoolofArtificialIntelligence，GuangxiMinzuUniversity，NanningGuangxi530006，China；2.GuangxiKeyLaboratoryofHybridComputationandICDesignandAnalysis（GuangxiMinzuUniversity），NanningGuangxi530006，China）Abstract:Inordertosolvetheproblemsthatthelow-levelfeaturesofthebackbonearenotfullyutilized，andtheeffectivefeaturesarelostduetolarge-timesupsamplinginDeepLabV3+semanticsegmentation，aCumulativeDistributionChannelAttentionDeepLabV3+（CDCA-DLV3+）modelwasproposed.Firstly，aCumulativeDistributionChannelAttention（CDCA）wasproposedbasedonthecumulativedistributionfunctionandchannelattention.Then，thecumulativedistributionchannelattentionwasusedtoobtaintheeffectivelow-levelfeaturesofthebackbonepart.Finally，theFeaturePyramidNetwork（FPN）wasadoptedforfeaturefusionandgradualupsamplingtoavoidthefeaturelosscausedbylarge-ti...
