Resumen

En los últimos años, la red neuronal convolucional (CNN) ha logrado avances notables en la segmentación semántica. El método de segmentación semántica tiene un prospecto de aplicación deseable. En la actualidad, los métodos utilizan principalmente una arquitectura codificador-decodificador como forma de generar predicciones de segmentación píxel a píxel. El codificador se encarga de extraer mapas de características y el decodificador de recuperar la resolución del mapa de características. Se propone un método mejorado de segmentación semántica basado en la arquitectura codificador-decodificador. Podemos obtener una mayor precisión de segmentación en varias clases difíciles y reducir significativamente la complejidad computacional. Esto es posible mediante la modificación del esquema base y algunas técnicas de refinamiento. Finalmente, después de cierto procesamiento, el marco ha logrado un buen rendimiento en muchos conjuntos de datos. En comparación con la arquitectura tradicional, nuestra arquitectura no necesita una capa de decodificación adicional y reutiliza aún más los pesos del

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Red neuronal convolucional; Segmentación semántica; Arquitectura codificador-decodificador; Mapas de características; Precisión de segmentación; Ciudad inteligente
• Keywords:Convolutional neural network; Semantic segmentation; Encoder-decoder architecture; Feature maps; Segmentation accuracy; Smart city