Для преодоления проблемы снижения уровня определения сценических изображений с тонкими межклассовыми различиями и нечеткой классификацией внутри класса. В данной статье предложен новый тип семантической сегментации. Через внедрение глубинного изучения меры акцента на семантические отношения между пикселями, чтобы улучшить точность модели формирования. Вначале, путем пирамидального пульта пульта абстракции осуществляется извлечение черт, а затем в процессе декодирования лучше восстанавливаются детали и границы изображения, используя структурное слияние поверхностных высокоразрешенных функций и глубоких низкоразрешенных функций. Затем, в глубинном модуле изучения меры акцента путем изучения хорошей структурированной пиксельной семантической встроенной площадки, путем максимизации расстояния Евклида между пикселями разных классов и минимизации расстояния Евклида между пикселями одного и того же класса, пиксели эффективно клас каются. Наконец, используя смешанную функцию потери фокуса и контраста потери, сбалансируйте вес различных образцов, чтобы более точно оценить модельную производительность, улучшая точность определения сценария и стойкость. Результаты эксперимента подтверждают, что модель на открытом наборе данных ADE20K и Cityscapes в среднем составляет 47.6% и 83.1% соответственно.

Глубокое обучение; Глубокое изучение меры акцента; Семантическая сегментация; Распознавание сцен; Неравномерность класса