DeepLabv3+ 의미 분할 네트워크의 높은 계산 복잡도, 이미지 세부 정보 추출 능력 부족, 분할된 이미지 경계의 불명확한 문제를 해결하기 위해, 주의 메커니즘을 융합한 개선된 DeepLabv3+ 의미 분할 네트워크를 제안한다. 경량 네트워크 MobileNetV2를 백본으로 사용하여 높은 표현 능력을 유지하면서 모델 파라미터를 크게 줄였다. 백본 네트워크의 낮은 수준 특징 뒤에 경량, 무파라미터 주의 메커니즘(Simple Parameter-Free Attention Module, SimAM)을 추가하여 입력 특징에 가중치를 부여하고 핵심 특징 추출 능력을 강화한다. ASPP 모듈의 전역 평균 풀링을 하르 웨이블릿 다운샘플링(Haar Wavelet Downsampling, HWD)으로 대체하여 공간 정보 손실을 방지하고, ASPP 모듈 뒤에 외부 주의 메커니즘(External Attention, EANet)을 추가하여 문맥 정보를 보다 잘 활용하고 다중 스케일 융합을 구현하여 의미 이해 능력과 의미 분할 정확도를 향상시킨다. 실험 결과 이 모델은 VOC2012 데이터셋에서 기존 DeepLabv3+ 의미 분할 모델에 비해 평균 교차율(mIoU)이 2.82% 향상되었다. 제안된 개선된 모델은 의미 분할 정확도를 크게 향상시켜 컴퓨터 비전 분야 응용에 새로운 아이디어를 제공한다.

의미 분할;DeepLabV3+;하르 웨이블릿 다운샘플링;외부 주의 메커니즘;다중 스케일 융합