霧天環境での視界不良により街路の物体認識が困難であり、セグメンテーション速度が遅い問題に対し、自己教師型対比学習を融合した霧天街景セマンティックセグメンテーションアルゴリズムを提案した。本アルゴリズムは軽量ネットワークMobileNetV2をバックボーンに選択し、深層集約空洞空間ピラミッドプーリングモジュールを設計し、拡張係数付き深層分離可能畳み込みを用いて通常の畳み込みを置換し特徴の多様性を豊かにした。次に、対比学習フレームワークを融合することで意味的に類似した画素の類似度を高め、異なる意味画素間の距離を保持し、小物体の細部のエッジ表現力と識別能力を向上させた。最後に、新規融合損失関数を提案し、教師あり学習と自己教師あり学習の共同指導によりネットワークの訓練を行い、深層特徴表現を学習した。実験結果では、本モデルがFoggy Cityscapesデータセットにおいて平均交差率が74.35%、クラス別平均画素精度が83.59%、画素精度が95.85%に達し、セマンティックセグメンテーションネットワークDeepLabV3+モデルと比較してそれぞれ3.82%、3.99%、1.02%向上し、モデルパラメータ数は2.88MでDeepLabV3+モデルの約55%削減され、ネットワーク計算負荷を最適化した。本アルゴリズムは霧環境におけるセマンティックセグメンテーションで良好な性能を示し、モデルパラメータを削減しながら高いセグメンテーション精度を維持し、優れたロバスト性を持つ。

セマンティックセグメンテーション;自己教師学習;深層集約;対比学習;損失関数