Para abordar el problema de la baja tasa de reconocimiento de imágenes de escenas debido a diferencias sutiles entre clases y clasificación borrosa dentro de la clase, este artículo propone un nuevo marco de segmentación semántica. Introduciendo el aprendizaje profundo métrico, se enfocan en las relaciones semánticas entre píxeles, mejorando la precisión del modelo. Primero, se extraen características mediante un módulo de agrupamiento piramidal con espacios dilatados; durante la decodificación, la fusión estructural de características de alta resolución superficiales y características de baja resolución profundas recupera mejor los detalles y bordes de la imagen. Luego, en el módulo de aprendizaje profundo métrico, al aprender un espacio de incrustación semántica de píxeles bien estructurado, mediante la maximización de la distancia euclidiana entre píxeles de diferentes clases y la minimización entre píxeles de la misma clase, se clasifican eficazmente los píxeles. Finalmente, se adopta una función de pérdida de fusión ponderada que combina la pérdida de enfoque y la pérdida por contraste, equilibrando la importancia entre diferentes muestras, lo que permite medir con mayor precisión el rendimiento del modelo y mejora la precisión y robustez del reconocimiento de escenas. Los resultados experimentales muestran que el modelo alcanza un promedio de intersección sobre unión (mIoU) del 47,6 % y 83,1 % en los conjuntos de datos públicos ADE20K y Cityscapes respectivamente. En comparación con los métodos avanzados actuales que se utilizan como base, los resultados muestran que el método propuesto es viable y avanzado.

aprendizaje profundo; aprendizaje profundo métrico; segmentación semántica; reconocimiento de escenas; desequilibrio de clases