В связи с неточной сегментацией границ объектов изображения и несогласованной сегментацией объектов разных классов в модели DeepLabv3+ предложен алгоритм семантической сегментации на основе объединения механизма внимания к признакам классов. В кодировщике модели DeepLabv3+ сначала разработан модуль внимания к признакам классов для усиления взаимосвязи между классами, что позволяет лучше извлекать и обрабатывать семантическую информацию разных категорий. Затем применяется многоуровневая параллельная структура пространственного пирамидального пуллинга для усиления пространственной корреляции и улучшения извлечения контекстной информации разных масштабов изображения. Наконец, в декодере используется модуль внимания к каналам для перенастройки многослойных объединённых признаков, подавления избыточной информации и усиления важных признаков с целью повышения представительной способности сети. Эффективность и обобщаемость улучшенной модели проверены на наборах данных Pascal Voc2012 и Cityscapes, где средние значения индекса пересечения и объединения составили 81.34% и 76.27% соответственно, что обеспечило более точную сегментацию границ изображений и более чёткое различие классов, значительно превосходя сравниваемые в данной работе алгоритмы.

слияние многомасштабных признаков;признаки классов;механизм внимания;семантическая сегментация;DeepLabv3+