セマンティックセグメンテーションは、自動運転およびインテリジェント交通工学の応用において不可欠な役割を果たしています。既存のセマンティックセグメンテーションにおける境界のぼやけ、物体間の相互遮蔽、および物体のマルチスケール差によるセグメンテーション精度不足の問題に対処するために、グローバル認識とマルチスケール特徴融合を備えた都市道路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ます。分割境界のぼやけ問題を改善するために、空間情報とチャネル情報を結合して特徴間の相互作用を強化し、グローバル情報を認識するグローバル認識モジュールを設計しました。物体間の相互遮蔽の場合、モデルはしばしば遮蔽された領域の感度を高める必要があるため、大きな物体と小さな物体のセグメンテーション精度を両立させるマルチスケール特徴融合モジュールを提案します。包括的な多制約特徴平滑損失関数を採用してモデルを評価し、特徴をさらに平滑化し、最適解を求めるために目的を最適化します。実験により、本手法はCityscapesデータセットで異なる解像度においてmIoU値をそれぞれ0.5％、0.9％、1.7％向上させ、ADE20KデータセットではmIoU値を2.1％向上させることが確認されました。既存のセマンティックセグメンテーションネットワークモデルと比較して、本手法はさらにセグメンテーション効果を向上させました。

ディープラーニング;画像処理;セマンティックセグメンテーション;特徴融合;損失関数