A segmentação semântica desempenha um papel insubstituível nas aplicações de condução autônoma e engenharia de transporte inteligente. Para resolver problemas existentes de segmentação, como bordas desfocadas, sobreposição entre objetos e baixa precisão causada por diferenças de múltiplas escalas dos objetos, propõe-se uma rede de segmentação semântica de estradas urbanas com percepção global e fusão de características em múltiplas escalas. Para melhorar o problema das bordas desfocadas, foi projetado um módulo de percepção global que reforça a interação entre características por meio da combinação de informações espaciais e de canal para perceber informações globais; em casos de sobreposição entre objetos, o modelo geralmente precisa aumentar a sensibilidade das áreas ocultas, para isso propõe-se um módulo de fusão de características em múltiplas escalas para equilibrar a precisão da segmentação de objetos grandes e pequenos; utiliza-se uma função de perda de suavização de características com múltiplas restrições para avaliar o modelo, suavizando ainda mais as características e otimizando o objetivo para alcançar a melhor solução. Experimentos mostraram que o método proposto melhorou o valor mIoU em 0,5%, 0,9%, 1,7% em diferentes resoluções no conjunto de dados Cityscapes e aumentou o mIoU em 2,1% no conjunto de dados ADE20K. Em comparação com os modelos de redes de segmentação semântica existentes, o método apresenta melhorias adicionais nos resultados da segmentação.

aprendizado profundo;processamento de imagem;segmentação semântica;fusão de características;função de perda