نظرًا لانخفاض الرؤية في بيئة الضباب التي تؤدي إلى صعوبة في التعرف على الأجسام في الشوارع وبطء سرعة التقسيم، تم اقتراح خوارزمية تقسيم دلالي لمشاهد الشوارع في الضباب تدمج التعلم التبايني الذاتي الإشراف. تختار الخوارزمية شبكة خفيفة الوزن MobileNetV2 كشبكة رئيسية، وتصمم وحدة تجمع فراغي هرمية متعمقة، وتستخدم الالتفاف القابل للفصل العميق مع معاملات التوسيع بدلاً من الالتفاف العادي لتعزيز تنوع الميزات. ثم من خلال دمج إطار التعلم التبايني، يتم زيادة تشابه البكسلات ذات الدلالة المتشابهة والحفاظ على المسافة بين بكسلات الدلالة المختلفة، مما يحسن قدرة النموذج على التعبير والتمييز عند حواف التفاصيل الصغيرة للأجسام. أخيرًا، تم اقتراح دالة خسارة مدمجة جديدة، تستخدم التعلم المراقب والتعلم الذاتي الإشراف لتوجيه تدريب الشبكة، لتعلم تمثيل الميزات العميقة. تُظهر النتائج التجريبية أن متوسط مؤشر التداخل على مجموعة بيانات Foggy Cityscapes يصل إلى 74.35%، ومتوسط دقة البيكسل حسب الفئة هو 83.59%، ودقة البيكسل الكلية تصل إلى 95.85%. مقارنة بنموذج تقسيم الدلالة DeepLabV3+، تحسن النموذج بنسبة 3.82%، 3.99% و1.02% على التوالي، بالإضافة إلى حجم معاملات النموذج الذي بلغ 2.88 مليون، مما يختصر بنحو 55% مقارنة بحجم معاملات DeepLabV3+، مما يحسن استهلاك حسابات الشبكة. تمتلك هذه الخوارزمية أداءً جيدًا في تقسيم المشاهد الضبابية، وتحافظ على دقة تقسيم عالية مع تقليل حجم المعاملات، مما يجعلها ذات صلابة جيدة.

التقسيم الدلالي; التعلم الذاتي الإشراف; التجميع العميق; التعلم التبايني; دالة الخسارة