轻量级UNet分割模型

计算量降九成

以轻量骨干和混合特征模块在复杂背景中精确定位电力线与杆塔,大幅降低算力需求。

He, Min · 秦亮 · Xinlan, Deng · Zhou, Sihan · Liu, Haofeng · 刘开培

Drones 2023

参数信息

计算量占比
8.3 %
参数量占比
21.4 %
推理延迟降低
0.012 s
mIOU
86.46 %
mDice
92.40 %

技术优势

算力需求骤降

采用DFC-GhostNet轻量骨干,计算量仅为原UNet的8.3%,可在无人机嵌入式设备上实时推理。

参数极少

模型参数量仅为原UNet的21.4%,显著降低存储和内存占用。

分割更准

混合特征模块和CARAFE上采样提升了对细长电力线的恢复能力,mIOU提升6.71个百分点。

实时性提升

推理延迟较原模型降低0.012秒,满足实时巡检需求。

应用场景