Um die Probleme der ungenauen Randsegmentierung von Bildobjekten und der inkonsistenten Segmentierung von Objekten verschiedener Klassen im DeepLabv3+-Modell anzugehen, wird ein semantischer Segmentierungsalgorithmus vorgeschlagen, der auf der Fusion eines Klassenmerkmal-Aufmerksamkeitsmechanismus basiert. Der Algorithmus entwirft zunächst ein Klassenmerkmal-Aufmerksamkeitsmodul im Encoder des DeepLabv3+-Modells, um die Korrelation zwischen Klassen zu stärken und die semantischen Informationen der verschiedenen Kategorien besser zu extrahieren und zu verarbeiten. Anschließend wird eine mehrstufige parallele räumliche Pyramid Pooling-Struktur verwendet, um die räumliche Korrelation zu verstärken und Kontextinformationen unterschiedlicher Bildmaßstäbe besser zu extrahieren. Schließlich wird im Decoder ein Kanalaufmerksamkeitsmodul eingesetzt, um die mehrschichtig fusionierten Merkmale neu zu kalibrieren, redundante Informationen zu unterdrücken und hervorstechende Merkmale zu verstärken, wodurch die Repräsentationsfähigkeit des Netzwerks verbessert wird. Die Effektivität und Generalisierbarkeit des verbesserten Modells wurden auf den Datensätzen Pascal Voc2012 und Cityscapes getestet, wobei die durchschnittlichen Intersection-over-Union-Werte 81,34 % bzw. 76,27 % erreichten, was die Segmentierung von Bildrändern feiner und die Klassen klarer macht und die in dieser Arbeit verglichenen Algorithmen deutlich übertrifft.

Multiskalen-Merkmalsfusion;Klassenmerkmale;Aufmerksamkeitsmechanismus;semantische Segmentierung;DeepLabv3+