의미 분할은 자율주행 및 지능형 교통 공학 응용에서 대체 불가능한 역할을 합니다. 의미 분할에서 경계가 흐릿하고, 객체 간 상호 가림 및 객체의 다중 스케일 차이로 인한 분할 정확도 부족 문제를 해결하기 위해 전역 인식 및 다중 스케일 특징 융합을 갖춘 도시 도로 의미 분할 네트워크를 제안합니다. 경계 흐릿 문제를 개선하기 위해 공간 및 채널 정보를 결합하여 특징 간 상호작용을 강화하고 전역 정보를 인식하는 전역 인식 모듈을 설계하였으며; 객체 간 상호 가림 상황에서는 모델이 가려진 영역에 대한 민감도를 향상시켜야 하므로 크고 작은 객체의 분할 정확도를 모두 고려할 수 있는 다중 스케일 특징 융합 모듈을 제안합니다; 종합적인 다중 제약 특징 평활 손실을 사용하여 모델을 평가하며, 특징을 더욱 평활화하고 최적해를 찾도록 목표를 최적화합니다. 실험 결과 본 방법은 Cityscapes 데이터셋에서 서로 다른 해상도에서 mIoU 값이 각각 0.5%, 0.9%, 1.7% 향상되었으며, ADE20K 데이터셋에서는 mIoU가 2.1% 향상되었습니다. 기존의 의미 분할 네트워크 모델과 비교하여 본 방법은 분할 성능이 더욱 향상되었습니다.

딥러닝;영상처리;의미 분할;특징 융합;손실 함수