Semantische Segmentierung spielt eine unverzichtbare Rolle in der Anwendung des autonomen Fahrens und der intelligenten Verkehrstechnik. Um bestehende Probleme wie unscharfe Segmentierungsgrenzen, gegenseitige Objektverdeckung und unzureichende Segmentierungsgenauigkeit aufgrund von Multiskalen-Differenzen zu adressieren, wird ein städtisches Straßensemantik-Segmentierungsnetzwerk mit globaler Wahrnehmung und Multiskalen-Merkmalsfusion vorgeschlagen. Zur Verbesserung des Problems unscharfer Grenzen wurde ein globaler Wahrnehmungsmodul entworfen, das die Interaktion zwischen Merkmalen durch die gemeinsame Nutzung von räumlichen und Kanalinformationen zur Wahrnehmung globaler Informationen verstärkt; bei Objektüberdeckungen muss das Modell oft die Sensitivität der verdeckten Bereiche erhöhen, daher wird ein Multiskalen-Merkmalsfusionsmodul zur Berücksichtigung der Segmentierungsgenauigkeit großer und kleiner Objekte vorgeschlagen; es wird eine umfassende mehrfache Beschränkungen enthaltende Merkmalssmooth-Verlustfunktion verwendet, um das Modell zu bewerten, die Merkmale weiter zu glätten und das Ziel zur Optimierung der besten Lösung zu verbessern. Experimentelle Ergebnisse zeigen, dass die Methode den mIoU-Wert bei verschiedenen Auflösungen auf dem Cityscapes-Datensatz um 0,5 %, 0,9 % und 1,7 % sowie auf dem ADE20K-Datensatz um 2,1 % verbessert. Im Vergleich zu bestehenden semantischen Segmentierungsnetzmodellen zeigt die Methode weitere Verbesserungen in den Segmentierungsergebnissen.

tiefes Lernen;Bildverarbeitung;semantische Segmentierung;Merkmalsfusion;Verlustfunktion