Семантическая сегментация играет незаменимую роль в применениях автономного вождения и интеллектуального транспортного инженерства. Для решения проблем недостаточной точности сегментации, вызванных размытыми границами сегментов, взаимным перекрытием объектов и многоуровневыми масштабными различиями между объектами, предложена сеть семантической сегментации городских дорог с глобальным восприятием и интеграцией многоуровневых признаков. Для улучшения проблемы размытых границ сегментов разработан модуль глобального восприятия, который через объединение пространственной и каналной информации усиливает взаимодействие признаков для восприятия глобальной информации; в условиях взаимного перекрытия объектов модель должна повысить чувствительность к закрытым областям, для чего предложен модуль интеграции многоуровневых признаков для обеспечения точности сегментации объектов разных размеров; применяется комплексная многозадачная функция потерь сглаживания признаков для оценки модели, что способствует дальнейшему сглаживанию признаков и оптимизации цели для достижения оптимального решения. Эксперименты подтвердили, что предложенный метод увеличивает значение mIoU на наборе данных Cityscapes при разных разрешениях на 0,5%, 0,9%, 1,7%, а на наборе данных ADE20K – на 2,1%. По сравнению с существующими моделями сетей семантической сегментации данный метод обеспечивает дальнейшее улучшение результатов сегментации.

глубокое обучение;обработка изображений;семантическая сегментация;слияние признаков;функция потерь