来源：期刊VIP网 时间：
作者：韩小珍;唐自力;张华;
单位：63875部队;
摘要：图像语义分割基于图像场景的“语义”为目标类别中的每个像素分配标签，来区分图像中的不同种类的事物。现有基于DeepLabV3+的语义分割方法具有高计算复杂性和大内存消耗，且在提取图像特征信息时难以充分利用多尺度信息，这可能导致详细信息的丢失，降低分割精度。户外环境中的目标种类繁多、光照条件变化大以及存在遮挡，增加了场景理解和对象识别的难度。因此，文中提出改进的DeepLabV3+网络户外多目标场景分割方法，以改进的MobileNetV2作为模型主干；将ECAnet通道注意力机制应用于低级特征，降低计算复杂性并提高目标边界清晰度；在ASPP模块之后引入了极化自注意力机制，改善特征图的空间特征表示。改进后的模型在户外数据集Standford Background Dataset上的平均交并比和平均准确度分别为69.5%和82.35%,与原始DeepLabV3+模型相比提升了5.2%和4.5%,新增模块对运行时间无显著影响，有效提高了模型的推理效率与精度。
关键词：DeepLabV3+;;语义分割;;户外场景分割;;多目标分割
