基于Deeplabv3+和注意力机制的道路场景语义分割方法

摘要

在自动驾驶技术研究中,理解道路场景是提高驾驶安全性的保障。语义分割技术可以在像素级别上,将图片分割成与语义类别相关联的不同图像区域,可以辅助车辆感知、理解周围的道路环境信息,从而提高驾驶安全性。当下流行的语义分割模型Deeplabv3+在分割任务中,存在细小目标被漏分割以及外形相似物体容易被误判等现象,导致分割边界粗糙,精准度降低。针对此问题,在Deeplabv3+网络结构的基础上,结合注意力机制加重分割区域的权重,提出一种改进的Deeplabv3+融合注意力机制的道路场景语义分割方法。首先,在Deeplabv3+编码端引入一组并联的位置注意力模块和空间注意力模块,捕获更多空间上下文信息和高级语义信息。然后,在解码端引入注意力机制恢复空间细节信息,并对数据归一化处理,加快模型收敛速度。将不同方式引入注意力机制的模型分割效果进行对比,在CamVid数据集和Cityscapes数据集上进行了测试。实验结果表明,相比Deeplabv3+,改进后的模型分割准确度平均交并比在两个数据集上分别提升了6.88%和2.58%,效果优于Deeplabv3+。该方法不会明显加大网络计算量和复杂度,具有良好的分割速度和准确性的兼顾。