DeepLabv3+セマンティックセグメンテーションネットワークの計算複雑度が高く、画像の細部抽出能力が低く、セグメンテーションされた画像の境界がぼやける問題に対して、注意メカニズムを融合した改良型DeepLabv3+セマンティックセグメンテーションネットワークを提案した。軽量ネットワークMobileNetV2をバックボーンとして使用し、高い表現能力を維持しつつモデルパラメータを大幅に削減している。バックボーンネットワークの低層特徴の後に軽量でパラメータ不要の注意メカニズム（Simple Parameter-Free Attention Module、SimAM）を追加し、入力特徴に重み付けを行い、重要な特徴抽出能力を強化した。ASPPモジュールのグローバル平均プーリングをHaar小波変換ダウンサンプリング（Haar Wavelet Downsampling、HWD）に置き換え、空間情報の損失を防ぎ、ASPPモジュールの後に外部注意メカニズム（External Attention、EANet）を追加して文脈情報をより良く活用し、多尺度融合を実現し、セマンティック理解能力とセマンティックセグメンテーションの精度を向上させた。実験結果は、このモデルがVOC2012データセットで従来のDeepLabv3+セマンティックセグメンテーションモデルと比較して平均交差率（mIoU）を2.82％向上させたことを示している。本論文で提案した改良モデルは、モデルのセマンティックセグメンテーション精度を大幅に向上させ、コンピュータビジョン分野の応用に新しい視点を提供する。

セマンティックセグメンテーション;DeepLabV3+;Haar小波変換ダウンサンプリング;外部注意メカニズム;多尺度融合