안개 환경에서 낮은 가시성으로 인해 거리 물체 인식이 어렵고 분할 속도가 느린 문제를 해결하기 위해, 자기 감독 대조 학습을 융합한 안개 거리 장면 의미론적 분할 알고리즘을 제안하였다. 해당 알고리즘은 경량 네트워크 MobileNetV2를 백본으로 선택하고, 심층 집합 확장 공간 피라미드 풀링 모듈을 설계하였으며, 확장 계수가 적용된 심층 분리 가능 합성곱으로 일반 합성곱을 대체하여 특징 다양성을 향상시켰다. 이후 대조 학습 프레임워크를 융합하여 의미가 유사한 픽셀 간 유사도를 증가시키고, 서로 다른 의미 픽셀 간 거리를 유지함으로써 작은 물체의 세부 경계 표현력과 판별 능력을 향상시켰다. 마지막으로, 감독 학습과 자기 감독 학습을 함께 활용하는 새로운 융합 손실 함수를 제안하여 네트워크 학습을 지도하고 심층 특징 표현을 학습하였다. 실험 결과, 이 모델은 Foggy Cityscapes 데이터셋에서 평균 교차 비율(IoU)이 74.35%, 클래스별 평균 픽셀 정확도 83.59%, 전체 픽셀 정확도 95.85%를 달성했으며, 의미론적 분할 네트워크 DeepLabV3+ 모델에 비해 각각 3.82%, 3.99%, 1.02% 향상되었고, 모델 파라미터 수는 2.88M로 DeepLabV3+ 모델 대비 약 55% 감소하여 네트워크 계산 비용을 최적화하였다. 이 알고리즘은 안개 환경에서 의미 분할 성능이 우수하며, 모델 파라미터 수를 줄이면서도 높은 분할 정확도를 유지해 뛰어난 견고성을 갖는다.

의미 분할; 자기 감독 학습; 심층 집합; 대조 학습; 손실 함수