Resumen

Con el desarrollo de la ciencia y la tecnologa, el volumen medio y la red neuronal en la segmentacin semntica de imgenes del cdec muestran buenas perspectivas de desarrollo. Su ventaja es que puede extraer caractersticas semnticas ms ricas, pero esto causar altos costos. Para resolver este problema, este artculo presenta principalmente el cdec basado en una red neuronal convolucional separable para la segmentacin semntica de imgenes. Este artculo propone un cdec basado en una red neuronal convolucional separable para los mtodos de investigacin de segmentacin semntica de imgenes, incluyendo la jerarqua de la red neuronal convolucional tradicional en una red neuronal convolucional separable, que puede reducir el coste de la segmentacin de datos de imagen y mejorar la eficiencia del procesamiento. Adems, este artculo construye una estructura de cdec de red neuronal convolucional separable y disea un proceso de segmentacin semntica, de modo que el cdec basado en una red neuronal convolucional separable se utiliza para experimentos de investigacin de segmentacin semntica de imgenes. Los resultados experimentales muestran que la mejora media del conjunto de datos mediante el cdec mejorado es de 0,01, lo que demuestra la eficacia del SegProNet mejorado. Cuanto menor es el nmero de muestras del conjunto de entrenamiento, ms evidente es la mejora del rendimiento.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Desarrollo; Ciencia; Tecnología; Red neuronal; Segmentación semántica de imágenes; Red neuronal convolucional
• Keywords:Development; Science; Technology; Neural network; Semantic image segmentation; Convolutional neural network