基于深度学习的轻量级道路场景语义分割算法研究.pdf

摘要

语义分割作为计算机视觉领域的关键技术，是环境感知的重要环节之一。目前

大部分基于深度学习的语义分割算法推理速度慢且参数规模庞大，在道路场景中

追求实时处理与轻量级模型的需求，这些算法难以充分满足。此外，道路场景中的

环境复杂多变，所采集的图像质量受到光照强度的影响。当前的算法主要针对正常

亮度的环境，对于低光照图像的分割效果较差。本文结合道路场景的需求与特点，

对轻量化和高分割精度的语义分割算法进行研究，并对低光照图像增强模块进行

了探索。主要工作如下：

针对道路场景中移动设备内存有限和计算能力不足的问题，提出了一种轻量

级的混合多分支语义分割网络（LHMNet）。网络的前半部分采用单分支结构，后半

部分采用双分支结构。对于主干网络的特征提取模块，本文设计了优化残差块和轻

量级分裂卷积单元。设计了并行分段的池化金字塔模块，通过多尺度池化形成局部

和全局的上下文表示。此外，设计了跳跃融合模块，用于跨阶段融合浅层局部特征

和深层语义信息。在双分支部分，设计了特征平衡模块和轻量级双向聚合模块用于

细节分支与语义分支的信息交互。经过实验验证，LHMNet在有限的资源下，对道

路场景中正常光照的图像具有较高的分割精度，并且满足了实时性的要求。

针对低光照道路场景中图像的细节和颜色信息会出现丢失或失真的问题，本

文探索了传统的图像增强算法对语义分割网络的影响，并对基于深度学习的图像

增强算法引入到语义分割网络中的方式进行了研究。结合上述实验结果，对

LHMNet进行了优化，提出了一种针对低光照图像的轻量级混合多分支语义分割

网络（LHMNetV2）。为了提高低光照图像的对比度与亮度，设计了一个基于深度

学习的低光照增强融合模块。此外，提出了改进的初始模块，该模块可以充分利用

原始图像和增强图像的信息互补性，并降低无效特征对分割结果的影响。在低光照

道路场景中，所提出的网络相比经典的端到端语义分割网络具有更高的分割性能。

关键词：深度学习，语义分割，轻量化，道路场景，低光照

ABSTRACT

Semanticsegmentation,asakeytechniqueincomputervision,isoneofthe

importantaspectsofenvironmentperception.Mostofthecurrentdeeplearning-based

semanticsegmentationalgorithmshaveslowinferencespeedandlargeparametersizes,

whicharedifficulttoadequatelysatisfyinroadscenariospursuingreal-timeprocessing

withlightweightmodels.Additionally,theroadenvironmentiscomplexandconstantly

changing,andthequalityofthecollectedimagesisaffectedbythelightintensity.The

currentalgorithmsaremainlyaimedatnormalbrightnessenvironments,buttheir

segmentationeffectonlow-lightimagesispoor.Thisthesiscombinestherequirements

andcharacteristicsofroadscenestoinvestigatelightweightandhigh-accuracysemantic

segmentationalgorithms,andexplorelow-lightimageenhancementmodules.Themain

workisasfollows:

Addressingtheproblemsoflimitedmemoryandinsufficientcomputationalpower

ofmobiled