Para enfrentar o problema da baixa taxa de reconhecimento de imagens de cena devido a diferenças sutis entre classes e classificação ambígua dentro das classes, este artigo propõe uma nova estrutura de segmentação semântica. Ao introduzir o aprendizado profundo métrico, o foco está nas relações semânticas entre pixels, melhorando a precisão do modelo. Primeiro, as características são extraídas por meio de um módulo de pooling piramidal espacial dilatado; durante o processo de decodificação, a fusão estrutural das características de alta resolução rasas e das características de baixa resolução profundas restaura melhor os detalhes e as bordas da imagem. Em seguida, no módulo de aprendizado profundo métrico, aprende-se um espaço de incorporação semântica de pixels bem estruturado, maximizando a distância euclidiana entre pixels de diferentes classes e minimizando a distância entre pixels da mesma classe, o que permite uma classificação eficaz dos pixels. Por fim, é adotada uma função de perda de fusão ponderada que combina perda de foco e perda de contraste, equilibrando a importância entre diferentes amostras, permitindo medir com mais precisão o desempenho do modelo e melhorando a precisão e robustez do reconhecimento de cena. Os resultados experimentais mostram que o modelo alcança uma média de interseção sobre união (mIoU) de 47,6% e 83,1% nos conjuntos de dados públicos ADE20K e Cityscapes, respectivamente. Comparado aos atuais métodos avançados de reconhecimento de cena usados como linha de base, os resultados mostram que o método proposto é viável e avançado.

aprendizado profundo; aprendizado profundo métrico; segmentação semântica; reconhecimento de cena; desequilíbrio de classes