يلعب التجزئة الدلالية دورًا لا غنى عنه في تطبيقات القيادة الذاتية وهندسة المرور الذكية. لمواجهة مشاكل دقة التجزئة الناجمة عن حدود التجزئة الضبابية، والتداخل بين الأجسام، والفروق متعددة المقاييس بين الأجسام في التجزئة الدلالية، تم اقتراح شبكة تجزئة طريق المدينة التي تدمج الإدراك العالمي واندماج الميزات متعددة المقاييس. لمعالجة مشكلة حدود التجزئة الضبابية، تم تصميم وحدة الإدراك العالمي التي تعزز التفاعل بين الميزات من خلال دمج المعلومات الفراغية والقنوات لاستشعار المعلومات العالمية؛ في حالة التداخل بين الأجسام، يحتاج النموذج إلى تحسين حساسية المناطق المحجوبة، لذا تم اقتراح وحدة اندماج الميزات متعددة المقاييس لضمان دقة تجزئة الأجسام الكبيرة والصغيرة؛ تم استخدام خسارة تنعيم الميزات متعددة القيود الشاملة لتقييم النموذج، مما أدى إلى تحسين التنعيم وتحسين الهدف لتحقيق الحل الأمثل. أكدت التجارب أن الطريقة المقترحة حققت زيادة في قيمة mIoU بمقدار 0.5٪، 0.9٪، 1.7٪ عند دقة مختلفة على مجموعة بيانات Cityscapes، وزيادة 2.1٪ على مجموعة بيانات ADE20K. مقارنة بنماذج الشبكات التجزيئية الحالية، حققت الطريقة تحسينات إضافية في أداء التجزئة.

التعلم العميق;معالجة الصور;التجزئة الدلالية;دمج الميزات;دالة الخسارة