Pour résoudre le problème du manque d'information contextuelle et de la perte de détails spatiaux dans la segmentation sémantique des images routières, cet article propose une méthode de segmentation en temps réel basée sur le modèle LinkNet. Tout d’abord, un nouveau mécanisme d'attention est construit dans la zone d'encodage pour capturer la position et la dépendance des canaux des images routières, augmentant ainsi la capacité d'extraction des caractéristiques de l'objectif. Ensuite, un modèle de pooling pyramidal spatial à trous est introduit dans la zone centrale pour capturer des caractéristiques multi-échelles plus riches sans affecter la résolution de l'image. Les résultats expérimentaux sur des bases de données générales démontrent que la méthode proposée atteint un MIoU de 64,78 % sur le jeu de données Cityscapes, soit une amélioration de 5,01 % par rapport à LinkNet, avec une amélioration notable des effets visuels de segmentation des petits objets et des contours, ainsi qu'une augmentation significative de la précision de segmentation.

segmentation sémantique;mécanisme d'attention;pooling pyramidal spatial à trous;LinkNet