一种基于 MLP 的高效点引导分割网络用于边界模糊的矿石图像

矿石图像的精确分割对于成功执行选矿过程至关重要。由于矿石外观均一，导致对比度低且边界不清，使得准确分割变得具有挑战性，识别也成为难题。本文提出了一种基于多层感知机 (MLP) 的轻量级框架，专注于解决边缘模糊问题。具体而言，我们引入了一种更适合高效提取低级特征的轻量级骨干网络。此外，我们设计了一个由两个 MLP 结构组成的特征金字塔网络，以平衡局部和全局信息，从而提高检测精度。进一步地，我们提出了一种新的损失函数，引导预测点匹配实例边缘点，以实现清晰的物体边界。我们进行了广泛的实验以验证所提方法的有效性。我们的方法实现了超过 27 帧每秒 (FPS) 的显著处理速度，模型大小仅为 73 MB。此外，与当前可用的最先进技术相比，我们的方法在矿石图像数据集上测试时，始终提供高水平的精度，在 $AP_{50}^{box}$ 和 $AP_{50}^{mask}$ 中分别取得了 60.4 和 48.9 的令人印象深刻的性能得分。源代码将发布于 \url{https://github.com/MVME-HBUT/ORENEXT}。