В связи с низкой видимостью в туманных условиях, что приводит к затруднениям в распознавании объектов на улицах и медленной скорости сегментации, предложен алгоритм семантической сегментации уличных сцен в тумане, объединяющий самоконтрастное обучение. В качестве основной сети выбран легковесный MobileNetV2, разработан глубокий агрегирующий модуль дилатационного пространственного пирамидального пуллинга, а обычные свертки заменены глубинными сепарабельными свертками с коэффициентом расширения для увеличения разнообразия признаков. Затем, с помощью интегрированной контрастной обучающей рамки, увеличивается сходство семантически похожих пикселей и сохраняется расстояние между пикселями разных семантик, что повышает способность модели выражать и различать мелкие границы объектов. В конце предложена новая объединённая функция потерь, использующая обучение с учителем и самоконтрастное обучение для совместного обучения сети и изучения глубоких признаков. Экспериментальные результаты показывают, что среднее отношение пересечения и объединения на наборе данных Foggy Cityscapes достигает 74,35%, средняя точность пикселей по классам — 83,59%, а точность пикселей — 95,85%. По сравнению с моделью DeepLabV3+ сегментации, этот метод улучшает результаты соответственно на 3,82%, 3,99% и 1,02%, при этом количество параметров модели составляет 2,88 млн, что на 55% меньше, чем у DeepLabV3+, оптимизируя вычислительные затраты сети. Алгоритм демонстрирует хорошие показатели при семантической сегментации в туманных условиях, сохраняя высокую точность сегментации при уменьшении количества параметров модели и обеспечивая хорошую устойчивость.

семантическая сегментация;самостоятельное обучение;глубокое объединение;контрастное обучение;функция потерь