使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界
原文中文，约400字，阅读约需1分钟。发表于：。提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战，通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny...
DFANet是一种高效的卷积神经网络架构，用于资源有限的语义分割。通过特征聚合和多尺度特征传播，DFANet减少了参数数量，提高了学习能力。在实验证明DFANet比现有方法快2倍，FLOPs少8倍，同时提供可比较的准确性。在Cityscapes测试数据集上，IOU平均值为70.3％，仅使用1.7 GFLOPs，在NVIDIA Titan X卡上以160 FPS的速度进行推断。
