基于注意力机制的改进U-net道路图像分割算法研究.pdf

基于注意力机制的改进U-net道路图像分割算法研究

摘要

近几年我国汽车制造业不断进步，发展智能汽车是当今整个领域的共识，自动驾驶

技术已经成为汽车行业的研究热点。将车载相机实时采集的道路图像进行精确的语义分

割是自动驾驶技术的一项关键任务，但是随着自动驾驶技术的发展，对道路图像分割应

用场景、精度以及速度的需求也日益提高，现有的图像分割算法出现了精度不足与速度

不够快的问题。本文采用轻量级网络U-net，通过引入不同的注意力机制进行改进以提

高网络性能。论文的主要研究内容如下：

(1)针对恶劣天气情况下采集的道路图像存在噪声干扰的问题，提出一种US-net图

像分割算法。US-net采用Inception模块和空间注意力机制SA进行改进。通过Inception

模块加强网络对输入的处理。将SA融合到U-net的跳跃链接部分，构建US-net网络，

强化网络抗噪声干扰能力。将US-net与其他主流网络进行对比试验，验证US-net的有

效性与鲁棒性。

(2)针对道路图像分割边缘处精度不足的问题，提出一种UT-net图像分割算法。US-

net的抗干扰能力很强，但在图像边界的分割精度略显不足。UT-net采用Transformer结

构和通道特征强化网络进行改进。利用通道特征强化网络的全局相关性，通过恒等映射

避免网络陷入梯度消失问题。将Transformer结构与通道强化残差网络融合进U-net网

络，构建UT-net网络，大幅提升网络性能的同时解决Transformer结构容易引起的梯度

消失问题。通过实验验证UT-net在图像分割边缘处理上的优越性。

(3)针对道路图像分割实时性要求较高的问题，提出一种URT-net图像分割算法。

UT-net图像分割算法的性能优异，但训练速度相对较慢。采用ReZero结构替代

Transformer结构的层正则化，构建RTransformer结构，利用零初始化思想解决梯度消

失问题。使用动态损失函数增加网络的鲁棒性。采用RTransformer结构替换UT-net中

的Transformer结构，构建URT-net网络，将改进后的URT-net与前文所提网络及部分

主流网络在两种数据集上做对比试验，验证该网络在保持优异的图像分割性能的同时还

拥有更快的训练速度。

关键词：道路图像分割，U-net，注意力机制，Transformer，ReZero

基于注意力机制的改进U-net道路图像分割算法研究

Abstract

Inrecentyears,Chinasautomobilemanufacturingindustryhasmadecontinuousprogress,

andthedevelopmentofintelligentvehiclesistheconsensusofthewholefield.Automatic

drivingtechnologyhasbecomearesearchhotspotinautomobileindustry.Accuratesemantic

segmentationofroadimagescapturedbyon-boardcamerasinrealtimeisakeytaskof

autonomousdrivingtechnology.However,withthedevelopmentofautonomousdriving

technology,thedemandforroadimagesegmentationapplicationscenarios,accuracyandspeed

isalsoincreasing,andtheexistingimage