计算机应用研究

作者：孙万春,冯欣,马慧,胡立松,

单位：1.长春理工大学计算机科学技术学院,长春130022；2.长春理工大学重庆研究院,重庆401122；3.安徽警官职业学院计算机基础教研室,合肥230031；4.北科天绘(合肥)激光技术有限公司研发部,合肥230041；

关键词：深度学习,弱监督学习,图像语义分割,Transformer,

基金：安徽省自然科学研究重点资助项目(KJ2021A1471)；；

图像级标签的弱监督图像语义分割方法是目前比较热门的研究方向，类激活图生成方式是最为常用的解决该类问题的主要工作方法。由于类激活图的稀疏性，导致判别区域的准确性降低。针对上述问题，提出了一种改进的Transformer网络弱监督图像学习方法。首先，引入空间注意力交换层来扩大类激活图的覆盖范围；其次，进一步设计了一个注意力自适应模块来指导模型增强弱区域的类响应；特别地，在类生成过程中，构建了一个自适应跨域来提高模型分类性能。该方法在Pascal VOC 2012 验证集和测试集上分别达到了73.5%和73.0%。实验结果表明，细化Transformer网络学习方法有助于提高弱监督图像的语义分割性能。

来源：2023年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第11期