의미 분할은 자율주행 및 스마트 교통 공학 응용에서 대체 불가능한 역할을 합니다. 기존 의미 분할의 경계 흐림, 객체 간 상호 가림 및 객체 다중 스케일 차이로 인한 분할 정확도 부족 문제를 해결하기 위해 글로벌 인지 및 다중 스케일 특징 융합을 갖춘 도시 도로 의미 분할 네트워크를 제안합니다. 분할 경계 흐림 문제를 개선하기 위해 공간 및 채널 정보를 결합하여 특징 상호작용을 강화하고 전역 정보를 인지하는 글로벌 인지 모듈을 설계했으며, 객체 간 상호 가림 상황에서는 모델이 가려진 영역의 민감도를 높여야 하므로 크고 작은 객체의 분할 정확도를 고려한 다중 스케일 특징 융합 모듈을 제안합니다. 종합적인 다중 제약 특징 스무딩 손실 함수를 활용하여 모델을 평가하고 특징을 더욱 스무딩하여 최적의 해를 구하도록 목표를 최적화합니다. 실험 결과, 본 논문 방법은 Cityscapes 데이터셋에서 서로 다른 해상도에서 mIoU 값이 각각 0.5%, 0.9%, 1.7% 향상되었으며 ADE20K 데이터셋에서 mIoU 값이 2.1% 향상되었습니다. 기존 의미 분할 네트워크 모델과 비교하여 본 방법은 분할 효과가 더욱 향상되었습니다.

딥 러닝;영상 처리;의미 분할;특징 융합;손실 함수