文章摘要:在语义分割算法DeepLabv3+中，由于对主干网络提取的特征信息利用不充分，从而导致分割边缘不连续、目标丢失以及分割错误等问题。针对以上问题，提出了一种基于密集连接和特征增强的语义分割算法，该算法采用共享空洞空间金字塔池化(S-ASPP)模块建立多个空洞卷积之间的联系，增强局部信息之间的语义关联，捕获密集的采样点像素，同时提高对高层特征信息的利用。其次引入了特征金字塔增强模块(FPEM)和特征融合模块(FFM)，对主干网络输出的多层特征信息进行处理，增强特征的表达能力，采用FFM对FPEM输出的不同尺度特征信息进行融合，提高各层特征之间的互补能力，以获得更全面的特征图信息。最后将S-ASPP和FFM的输出进行拼接和卷积操作，得到最终的分割结果。在PASCAL VOC 2012数据集和Cityscapes数据集上进行了大量实验，结果表明所提算法的平均交并比（mIoU）分别达到81.13%和73.39%，相较于基准算法DeepLabv3+分别提升了2.3%和2.1%。该算法充分利用了骨干网络中每层特征信息，提升了算法的分割精度，取得更好的分割效果。

文章关键词:

项目基金:国家自然科学基金项目（项目编号：62072370）,陕西省重点研发计划项目（项目编号：2018ZDCXL-GY-04-02）, 上一条： 文化论文_文产之花绽放洱海之畔 下一条： 行政法及地方法制论文_陕西省人口与计划生育条例