面向道路场景的轻量级语义分割算法研究.pdfVIP

摘要

语义分割作为场景理解的重要技术之一，目的是给图像中各个像素进行相

应的语义标注。然而，当前大多数语义分割算法参数量大且计算复杂，无法满

足道路场景下实时性、轻量性的需求。此外，现有的算法大多为光照充足的场

景所设计，忽略了低光照场景中存在的各种问题，如亮度低、对比度低和细节

信息丢失等，导致了算法的分割性能下降。为了更好地将语义分割算法部署到

道路场景的应用中，本文针对道路场景的特点，基于轻量级网络设计原理，对

面向道路场景的轻量级语义分割算法进行研究。本文的主要工作如下：

针对语义分割算法参数量大且推理速度慢，无法应用于内存受限的道路场

景的问题，设计了一种面向白天道路场景的轻量级语义分割网络（ELUNet）。

该网络以U型编码器-解码器作为网络的基本架构。在编码器中，设计了轻量分

裂卷积模块作为特征提取的基本组件。在编码器和解码器之间的跳跃连接中引

入桥式通道注意力模块，用以补充重要的空间细节特征。在解码器中，设计了

上采样特征融合模块，在逐步恢复图像分辨率的同时进一步获得对视觉场景的

全局理解。此外，提出了边缘细化模块来解决分割结果边缘粗糙的问题，从而

获得最终的精细分割结果。实验结果表明，所提出的网络可以有效地提高白天

道路场景下的分割精度，同时可以保持较少的参数量和较快推理速度，实现了

效率和精度的平衡。

针对低光照场景下拍摄的图像存在的亮度低、对比度低、细节信息严重丢

失和颜色失真等问题，研究了图像增强对于低光照场景语义分割性能的影响，

并结合实验结果和低光照场景的特点，在ELUNet的基础上进行改进，提出了

一种面向低光照道路场景的轻量级语义分割网络（ELUNetV2）。在网络的跳跃

连接中，设计了快速自注意力模块，来削弱图像噪声的影响，用以补充非局部

上下文信息。实验结果表明，图像增强和语义分割关注的图像重点特征不一致，

因此，对低光照图像先进行增强后分割对于语义分割性能的促进并不明显，甚

至可能会有负面影响。所提出的网络可以直接作用于低光照场景，比其他算法

的分割结果更加精确完整。

关键词：语义分割，轻量级网络，低光照场景，图像增强，深度学习

ABSTRACT

Semanticsegmentation,oneoftheimportanttechniquesforsceneunderstanding,

aimstoassignthecorrespondingsemanticannotationtoeachpixelofimages.However,

mostcurrentsemanticsegmentationmoduleshavelargenumberofparametersandare

computationallycomplex,whichcannotmeetthedemandofreal-timeandlightweight

inroadscenarios.Inaddition,mostoftheexistingalgorithmsaredesignedfordaytime

sceneswithsufficientillumination,ignoringtheproblemsoflowbrightness,low

contrast,andlossofdetailinformationinlow-lightscenes,resultingindegradationof

thesegmentationperformanceofthealgorithms.Tobetterutilizethesemantic

segmentationalgorithmtotheroadscenes,thisthesisinvestigatesthelightweight

semanticsegmentationalgorithmforroadscenesbasedonlightweightnetworkdesign

principles.Themainworkofthisthesisisasfollows.