Um dem Problem der niedrigen Erkennungsrate von Szenenbildern aufgrund feiner Unterschiede zwischen den Klassen und unscharfer Klassifizierung innerhalb der Klassen zu begegnen, wird in dieser Arbeit ein neuartiges semantisches Segmentierungsframework vorgeschlagen. Durch die Einführung des tiefen metrischen Lernens, das die semantischen Beziehungen zwischen Pixeln berücksichtigt, wird die Modellgenauigkeit verbessert. Zunächst erfolgt die Merkmalsextraktion durch ein Dilated Spatial Pyramid Pooling Modul, im Dekodierungsprozess werden durch die strukturelle Fusion von hochauflösenden flachen Merkmalen und niedrigauflösenden tiefen Merkmalen Details und Grenzen im Bild besser wiederhergestellt. Anschließend werden im Modul des tiefen metrischen Lernens gut strukturierte pixel-sematische Einbettungsräume gelernt, indem der euklidische Abstand zwischen Pixeln verschiedener Klassen maximiert und zwischen Pixeln derselben Klasse minimiert wird, was eine effektive Pixeleinstufung ermöglicht. Schließlich wird eine gewichtete Kombination aus Fokussierungsverlust und Kontrastverlust als kombinierte Verlustfunktion verwendet, um die Bedeutung verschiedener Proben auszugleichen, wodurch die Modellleistung genauer gemessen und die Genauigkeit sowie Robustheit der Szenenerkennung verbessert wird. Die Experimentalergebnisse zeigen, dass das Modell auf den öffentlichen Datensätzen ADE20K und Cityscapes mittlere Intersection-over-Union-Werte von 47,6 % bzw. 83,1 % erzielt. Im Vergleich zu den derzeit als Basis verwendeten fortgeschrittenen Szenenerkennungsmethoden zeigen die Ergebnisse, dass die vorgeschlagene Methode machbar und fortschrittlich ist.

tiefes Lernen; tiefes metrisches Lernen; semantische Segmentierung; Szenenerkennung; Klassenungleichgewicht