Для эффективного сегментирования и анализа сложных сцен, таких как городские ландшафты, в данной работе объединена высокодетальная сеть (HRNet) и дополнена глобальная контекстная информация с помощью модуля пирамидального пулинга (Pyramid pooling module, PPM), предложена высокодетальная сеть анализа сцен. Во-первых, HRNet используется как основная сеть для извлечения признаков, при этом модуль остаточных связей, широко используемый в ней, улучшен с помощью раздельных дилатационных свёрток, что снижает количество параметров и повышает способность сегментировать объекты разных масштабов; во-вторых, с использованием гибридной схемы дилатационных свёрток разработаны многоуровневые коэффициенты дилатации, которые уменьшают эффект решётки при сохранении плотного рецептивного поля; далее, разработана многоступенчатая структура непрерывной апсемплинговой выборки для улучшения простой схемы позднего слияния HRNetV2; наконец, применяется улучшенный адаптивный модуль пирамидального пулинга для агрегации контекстной информации из различных областей с целью получения высококачественной сегментационной карты. Достигнута точность 83.3% MIOU с параметрами в 16.4 Мбит на датасете городских пейзажей (CityScapes), а также получены хорошие результаты на датасете Camvid, реализована более надёжная, точная и ресурсоэффективная методика анализа сцен на основе семантической сегментации.

глубокое обучение;нейронные сети;семантическая сегментация;высокодетальная сеть;дилатационные свёртки