La segmentation sémantique joue un rôle irremplaçable dans les applications de conduite autonome et d'ingénierie des transports intelligents. Pour résoudre les problèmes existants de segmentation tels que les frontières floues, le chevauchement entre objets et les différences d’échelle des objets qui entraînent un manque de précision, un réseau de segmentation sémantique des routes urbaines intégrant une perception globale et une fusion multi-échelle des caractéristiques est proposé. Pour améliorer le flou des frontières, un module de perception globale a été conçu, renforçant l’interaction entre les caractéristiques via la combinaison des informations spatiales et de canal afin de percevoir les informations globales ; en cas de chevauchement entre objets, le modèle doit souvent améliorer la sensibilité aux zones occultées, c’est pourquoi un module de fusion multi-échelle des caractéristiques est proposé pour assurer la précision de segmentation des objets de différentes tailles ; une fonction de perte de lissage des caractéristiques multi-contraintes est utilisée pour évaluer le modèle, lissant davantage les caractéristiques et optimisant l’objectif pour une solution optimale. Les expériences ont démontré que la méthode propose une amélioration du mIoU de 0,5 %, 0,9 % et 1,7 % à différentes résolutions sur le jeu de données Cityscapes, ainsi qu’une augmentation de 2,1 % du mIoU sur le jeu de données ADE20K. Par rapport aux modèles de segmentation sémantique existants, cette méthode apporte une amélioration supplémentaire des résultats de segmentation.

apprentissage profond;traitement d’image;segmentation sémantique;fusion des caractéristiques;fonction de perte