La segmentación semántica desempeña un papel insustituible en las aplicaciones de conducción autónoma e ingeniería de transporte inteligente. Para abordar los problemas de precisión insuficiente causados por bordes de segmentación borrosos, superposición de objetos y diferencias de escala múltiple entre objetos, se propone una red de segmentación semántica de carreteras urbanas que fusiona percepción global y características multiescala. Para mejorar el problema de los bordes borrosos, se diseñó un módulo de percepción global que, mediante la combinación de información espacial y de canales, mejora la interacción entre características para percibir información global; en situaciones de superposición entre objetos, el modelo debe aumentar la sensibilidad a las áreas ocultas, por lo que se propuso un módulo de fusión de características multiescala para equilibrar la precisión de segmentación de objetos grandes y pequeños; se utiliza una pérdida de suavizado de características con múltiples restricciones para evaluar el modelo, lo que suaviza aún más las características y optimiza el objetivo para encontrar la mejor solución. Los experimentos demuestran que el método propuesto mejora el valor mIoU en diferentes resoluciones en el conjunto de datos Cityscapes en un 0,5 %, 0,9 % y 1,7 %, y en un 2,1 % en el conjunto ADE20K. En comparación con los modelos existentes de redes de segmentación semántica, este método mejora aún más el rendimiento de la segmentación.

aprendizaje profundo;procesamiento de imágenes;segmentación semántica;fusión de características;función de pérdida