Aufgrund der schlechten Sichtbarkeit bei Nebel, die die Erkennung von Objekten auf Straßen erschwert und die Segmentierung verlangsamt, wurde ein semantischer Segmentierungsalgorithmus für Nebelstraßenszenen vorgeschlagen, der selbstüberwachtes kontrastives Lernen integriert. Der Algorithmus verwendet das leichte Netzwerk MobileNetV2 als Backbone, entwirft ein tiefaggregiertes dilatiertes räumliches Pyramid-Pooling-Modul und ersetzt gewöhnliche Faltungen durch tiefen-separable Faltungen mit Expansionsfaktor, um die Merkmalsvielfalt zu erhöhen. Anschließend wird durch die Integration des kontrastiven Lernrahmens die Ähnlichkeit semantisch ähnlicher Pixel erhöht und der Abstand zwischen Pixeln unterschiedlicher Semantik erhalten, wodurch die Fähigkeit des Modells zur Darstellung und Unterscheidung kleiner Objektgrenzen verbessert wird. Abschließend wird eine neue kombinierte Verlustfunktion vorgeschlagen, die überwachtes und selbstüberwachtes Lernen zur gemeinsamen Anleitung des Netztrainings nutzt, um tiefe Merkmalsrepräsentationen zu erlernen. Experimentelle Ergebnisse zeigen, dass das Modell bei dem Foggy Cityscapes-Datensatz einen mittleren Intersection-over-Union-Wert von 74,35 % erreicht, eine durchschnittliche pixelbasierte Genauigkeit pro Klasse von 83,59 % und eine Pixelgenauigkeit von 95,85 %. Im Vergleich zum semantischen Segmentierungsnetzwerk DeepLabV3+ verbessert dieses Modell die Werte um 3,82 %, 3,99 % bzw. 1,02 % bei gleichzeitig nur 2,88 Millionen Parametern, was etwa 55 % weniger als das DeepLabV3+-Modell ist und die Netzwerkkosten optimiert. Der Algorithmus weist bei der Nebelsegmentierung eine gute Leistung auf, wobei er eine hohe Segmentierungsgenauigkeit bei reduzierter Modellparameteranzahl beibehält und eine gute Robustheit besitzt.

semantische Segmentierung; selbstüberwachtes Lernen; tiefe Aggregation; kontrastives Lernen; Verlustfunktion