{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,7,29]]，“日期-时间”：“2024-07-29T10:33:01Z”，“时间戳”：1722249181274}，“参考-计数”：29，“出版商”：“Hindawi Limited”，“许可证”：[{“开始”：{-date-parts”：[2022,4,14]]，“时间”：”2022-04-14T00:00:00 Z“，”时间戳“：1649894400000}，“content-version”：“unspecified”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“山西省高校人文社会科学重点基础研究”，“奖项”：[“20190130”]}]，”content-domain“：{“domain”：[]，”crossmark-restriction“：false}，”short-container-title“：[“应用计算智能和软计算”]，“published-print”：{“date-parts”：[2022,4,14]]}，“abstract”：“针对古代壁画图像分割中目标边界模糊和图像分割效率低的问题，提出了一种融合轻量级卷积神经网络的多分类图像分割模型MC-DM（multi-class DeeplabV3+MobileNetV2）。该模型将Deeplabv3+结构与MobileNetV2网络相结合，采用Deeplabv3+独特的空间金字塔结构处理卷积特征进行多尺度融合，减少了壁画分割图像中细节的丢失。首先，通过空穴卷积提取MobileNetV2网络中以任意分辨率计算的特征，将输入步长表示为输入图像分辨率与最终分辨率的比值，并根据计算资源的预算控制编码器特征的密度。然后，使用空间金字塔池结构在多个尺度上融合先前计算的特征，以丰富特征图像的语义信息。最后，使用相同的卷积网络来减少通道数并过滤密度特征图。将滤波后的特征与多尺度融合后的特征进行融合，得到最终输出。总共采用了1000幅壁画扫描图像作为数据集，在2019年JetBrains PyCharm社区版环境下进行测试。实验结果表明，与传统的基于SegNet的图像分割模型相比，MC-DM将训练精度提高了1个百分点，与基于PspNet网络的图像分割模式相比，提高了2个百分点。与实验模型相比，MC-DM模型的峰值信噪比平均提高了3\u20138\u2009dB。这证实了该模型在壁画分割中的有效性，为古代壁画图像分割提供了一种新的方法<\/jats:p>“，”DOI“：”10.1155\/2022\/5485117“，”type“：”journal-article“，”created“：{”date-parts“：[2022,4,14]]，”date-time“：”2022-04-14T15:05:09Z“，”timestamp“：1649948709000}，”page“：“：”2022”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0002-5640-2370”，“authenticated-ORCID”：true，“给定”：“志强”，“家庭”：“陈”，“序列”：“第一”，“从属关系”：[}“名称”：“马来西亚科塔达曼萨拉47810赛吉大学信息技术”}]}，{“给定的”：“利拉瓦蒂”，“家族”：“拉贾马尼卡姆”，“顺序”：“附加的”，“附属关系”：马来西亚科塔达曼萨拉47810 SEGi大学信息技术“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0001-6448-3193”，“authenticated-ORCID”：true，“given”：”Xiaodong“，“family”：“Tian”，“sequence”：“additional”，“affiliation”：[{“name”：“中国太原科技大学计算机科学与技术学院，太原030024”}]}，{“ORCID”：“http://\/ORCID.org\/00000-0003-3687-3738”，“authenticated-ORCID”：true，“given”：建房，“family”：曹，“sequence”：“additional”，“affiliation”：[{“name”：“中国太原科技大学计算机科学与技术学院，太原030024”}，{：“忻州师范大学计算机科学与技术系，忻州034000”}]}]，“成员”：“98”，“参考”：[{“key”：“1”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.patcog.2019.01.006”}，{“密钥”：“2”，“doi-asserte-by”：“publisher”，“DI:”10.1109\/cvpr.2015.7298965“}，}“keys”：“3”，“dio-asserted-by”：“出版商”、“内政部”：“10.1007\/978-3-030-01234-2_49”｝，｛“key”：“4”，“doi断言者”：“publisher”，“doi”：“10.1109\/tpami.2017.2699184”｝，｛“key”：“5”，“doi断言者”：“publisher”，“doi”：“10.3788\/ope.20192712.2722”｝，｛“key”：“6”，“doi断言者”：“publisher”，“doi”：“10.1109\/tpami.2016.2644615”｝，｛“key”：“7”，doi由“：”publisher“，”doi“：”10.1002\/ima.22461“｝断言，｛”key“：”8“，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/icccis51004.2021.9397155”}，{“key”：“9”，“doo-asserted-by”：”publisher“，”doi“：”10.1109\/spin52536.2021.9566114“}，“key“：”10“，”doi-assert-by“：”publiser“，“doi:”10.1080\/21681163.2021.1998925“}“，{”issue“：”6“，”key“:”11“，”first page“：“1472”，“文章标题”：“抑制非局部空间直觉模糊C-Means图像分割算法”，“卷”：“41”，“作者”：“R.Lan”，“年份”：“2019”，“期刊标题”：“电子信息杂志”}，{“问题”：“6”，“关键”：“12”，“首页”：“1769”，”文章标题“基于加权改进模糊C-Means聚类的欠定混合矩阵估计”，“volume”：“40”，“author”：“J.-J.Sun”，“year”：“2020”，“journal-title”：“Computer Applications”}，{“key”：”13“，”doi-asserted-by“：”publisher“，”doi“：”10.1007 \/s12065-019-00266-x“}，”issue“：”7“，”key“：”14“，”first-page“：”1614“，”article-title“：”基于SVM和快速均值漂移的图像分割算法“，”volume“：“38”，”author“S.-N.赵”，“年份”：“2017”，“journal-title”：“小型微机系统杂志”}，{“key”：“15”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.procs.2019.09.009”}键“：”17“、“doi-asserted-by”：“publisher”，“doi”：“10.1504\/ijbfmi.2015.075358”}，{“key”：“18”，“doi-sserted-by“：”publisher“，”doi“：”10.1016\/j.jcss.2020.04.005“}，“key“：”19“，”doi-assert-by““：”publisher“，”doi“：”10.1007\/s00371-020-01829-1“}，{”key“：”21“，”doi-asserted-by“：“publisher”，“DOI”：“10.1016\/j.engappai.2019.103467”}，{“key”：“22”，“DOI-asserted-by”：“publicher”，“DOI”：”10.1109\/cvpr.2018.00474“}，}“issue”：“9”，“key“：”23“，”first page“：1”，“article-title”：“压缩深层神经网络调查”，“volume”：”46“，”author“：”Q.-H.Li“，”“year”：“2019”，”“journal-title“：“计算机科学”}，{“key”：“24”，“DOI-asserted-by”：“publisher”，“DOI”：“10.26599\/tst.2018.9010103”}，{“key”：“25”，“DOI-asserted-by”：“crossref”，”first page“：”247“，”DOI“：”10.1016\/bs.adcom.2020.07.002“，”article-title“：”边缘设备上的节能深度学习推断“，”volume“：，“DOI-asserted-by”：“publisher”，“DOI”：“10.1007\\s11432-018-1465-6”｝，｛“issue”：“4”，“key”：“27”，“首页”：“256”，“文章标题”：“基于改进的SEGNET模型的图像语义分割”，“volume”：“47”，“author”：“S.-Q.Luo”，“year”：“2021”，“journal title”：“Computer Engineering”｝，｛“key”：“28”，“DOI asserted by”：“publisher”，“DOI”：“10.1109\\/jphot.20192950949”｝，｛问题”：“2”，“key”：“29”，“首页”：“40”，“article-title”：“基于深度学习的图像语义分割”，“volume”：：“http://\/downloads.hindawi.com/journals\/acisc\/2022\/5485117.pdf”，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“http://\\downloads.hindawi.com\/journals//acisc\/2022\/5485117.xml”，”content-type:“application \/xml”，“内容-version“：”vor“，”intended-application“：”text-mi宁“}，{”URL“：“http://\/downloads.hindawi.com/journals\/acisc\/2022\/5485117.pdf”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[[2022,4,14]]，“date-time”：”2022-04-14T15:30Z“，“timestamp”：1649948730000}，“score”：1，“resource”：{“primary”：{:“URL”：“https:\/\/whindawi.com\/journeys\/acisc\/2022\/55485117\/”｝｝，“副标题”：[]，“编辑器”：[｛“给定”：“Soumya”，“家族”：“Ranjan Nayak”，“序列”：“附加”，“附属关系”：[]｝]，“短标题”：[]，“已发布”：｛“日期部分”：[[2022,4,14]}，“引用次数”：29，“备选id”：[“5485117”，“5485117”]，“URL”：“http:\/\/\/dx.doi.org/10.1155\/2022\/5485117“，“关系”：{}，“ISSN”：[“1687-9732”，“1687-924”]，“ISSN-type”：[{“值”：“1687-932”，“类型”：“电子”}，{“数值”：“687-9724”，“键入”：“打印”}]，“主题”：[]，“发布”：{“日期部分”：[2022,4,14]]}}}}