融合注意力机制与轻量化DeepLabv3+的非结构化道路识别

由于非结构化道路特征众多、结构复杂的特点,图像分割以及道路模型等经典算法无法满足非结构化道路识别在实际应用中的准确性和实时性要求.上述难点可通过基于深度学习的语义分割算法有效解决,采用轻量化的特征提取网络,改善特征提取网络中离散计算过多问题,优化对参数量和速度的控制,减少DeepLabv3+网络的冗余;针对非结构化道路在图像中空间和通道的分布特性,引入注意力机制对高级特征图和低级特征图处理,以提升网络对特征提取的敏感性和准确性;选用样本类别充足并具代表性且与我国路况相似性强的IDD(India Driving Dataset)非结构化道路数据集,对其中非结构化道路类别进行筛选和预处理并对网络进行训练.实验对比表明,相比于同类网络,参数量最少,准确率和快速性均处于前列;相比于改进前,网络参数量减少93.1％,识别帧率提升116.1％,精确率提高10.1％.