Um die Genauigkeit von semantischer Segmentierungsmethoden des Deep Learning bei komplexen Straßenbildern weiter zu verbessern, wird in dieser Arbeit ein semantisches Segmentierungsnetzwerk für Straßenbilder (MDFNet) auf Basis des PointRend-Netzwerks vorgeschlagen, das mehrdimensionale Merkmale (Multi-Dimensional Features, MDF) integriert. Zunächst wird durch den Aufbau eines Zielgebietsverstärkungsmoduls das Merkmalextraktions-Subnetz optimiert, indem in jedem Faltungsblock des tiefen Netzwerks die Zwischenmerkmalskarten adaptiv verfeinert werden, was die präzise Extraktion mehrdimensionaler Merkmalsinformationen komplexer Straßenbilder stärkt; anschließend wird bei der Merkmalsfusion ein Merkmals-Pyramidennetz eingeführt, das unterschiedliche Faltungskerne verwendet, um Straßenbilder unterschiedlicher Maßstäbe zu verarbeiten, wodurch Merkmale verschiedener Auflösungen von verschiedenen Objekten in komplexen Straßenszenen umfassender erfasst werden können; schließlich werden doppelte Decoder-Köpfe verwendet, um Bilddetails feiner wiederherzustellen und pixelgenaue Klassifikationsergebnisse zu erzielen. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Netzwerk im Vergleich zu anderen hervorragenden Segmentierungsnetzwerken wie DeepLabV3 und SegFormer eine höhere Segmentierungsgenauigkeit auf dem komplexen Cityscapes-Datensatz erreicht, mit einer durchschnittlichen Intersection-over-Union von 80,11%, was eine Verbesserung von über 3,51% gegenüber anderen Netzwerken bedeutet und ein besseres Verständnis komplexer Straßenbilder ermöglicht.

semantische Segmentierung;Zielgebietsverstärkung;Aufmerksamkeitsmechanismus;Merkmalspyramidennetz;mehrdimensionale Merkmale