1.一种基于改进U‑Net的道路场景图像实时语义分割方法,其特征在于,包括:
步骤1:在采样阶段,将原始U‑Net结构中标准卷积替换为深度可分离卷积,得到优化后的卷积块,并引入注意力模块来增强特征获取能力,补充上下文信息,得到通道域注意力深度卷积模块结构;
步骤2:在上下采样融合阶段,添加多尺度空间注意力级联模块,通过关注重点区域获取低维度空间并经过转换与高维特征融合,得到改进U‑Net;
步骤3:基于改进U‑Net对道路场景图像进行实时语义分割。
2.根据权利要求1所述的基于改进U‑Net的道路场景图像实时语义分割方法,其特征在于,所述深度可分离卷积针对输入特征图的每个通道先分别进行一个n×n的卷积,输出n个通道分离的特征,然后进行1×1卷积得到输出。
3.根据权利要求1所述的基于改进U‑Net的道路场景图像实时语义分割方法,其特征在于,所述注意力模块包含压缩和激励两个操作,压缩是一个全局平均池化过程,经过压缩操作后特征图变为1×1×C向量,激励操作由两个全连接层组成,压缩的输出向量作为激励的输入向量,经过转换再与原特征图相乘得到最后同原始特征大小的输出结果,其中C是通道数。
4.根据权利要求1所述的基于改进U‑Net的道路场景图像实时语义分割方法,其特征在于,所述多尺度空间注意力级联模块的输入特征为上采样阶段过程结果,经过两次池化操作得到不同信息特征表示。