En raison de la faible visibilité dans les environnements brumeux qui entraîne des difficultés dans la reconnaissance des objets dans la rue et une lenteur de la segmentation, une algorithme de segmentation sémantique des scènes de rue en conditions de brouillard intégrant l'apprentissage contrastif auto-supervisé est proposée. Cet algorithme utilise le réseau léger MobileNetV2 comme réseau principal, conçoit un module de pooling pyramidal spatial dilaté à agrégation profonde, et remplace les convolutions ordinaires par des convolutions séparables en profondeur à coefficient d'expansion pour enrichir la diversité des features. Ensuite, en intégrant le cadre d'apprentissage contrastif, la similarité entre pixels sémantiquement proches est augmentée tandis que la distance entre pixels de différentes sémantiques est maintenue, améliorant ainsi la capacité du modèle à exprimer et distinguer les détails et bords des petits objets. Enfin, une nouvelle fonction de perte fusionnée est proposée, combinant apprentissage supervisé et auto-supervisé pour guider conjointement l'entraînement du réseau et apprendre des représentations profondes des features. Les résultats expérimentaux montrent que le modèle atteint un indice moyen d'intersection sur union de 74,35% sur le jeu de données Foggy Cityscapes, une précision moyenne par pixel par classe de 83,59%, et une précision pixel globale de 95,85%. Par comparaison au modèle DeepLabV3+, le modèle améliore ces mesures de 3,82%, 3,99% et 1,02% respectivement, tout en ayant seulement 2,88 millions de paramètres, soit une réduction d'environ 55% par rapport à DeepLabV3+, optimisant les coûts de calcul du réseau. Cet algorithme présente de bonnes performances en segmentation sémantique sous brouillard, maintenant une haute précision tout en réduisant le nombre de paramètres et offrant une bonne robustesse.

segmentation sémantique; apprentissage auto-supervisé; agrégation profonde; apprentissage contrastif; fonction de perte