基于改進(jìn)BiSeNet 的非結(jié)構(gòu)化道路分割算法研究

宋 亮，谷玉海，石文天

（1.北京信息科技大學(xué) 北京市機(jī)電系統(tǒng)測(cè)控重點(diǎn)實(shí)驗(yàn)室，北京 100192；2.北京工商大學(xué) 材料與機(jī)械工程學(xué)院，北京 100148）

引言

交通的便利極大地促進(jìn)了經(jīng)濟(jì)的發(fā)展，改善了人民的生活，但隨之而來的交通事故也造成了諸多損失。絕大部分交通事故通常源于人為因素，如超速行駛、疲勞駕駛等。無人駕駛技術(shù)則可有效地避免這些問題。在過去的幾年里，無人駕駛得到了飛速發(fā)展，其核心技術(shù)之一是道路場(chǎng)景的語義分割[1-2]技術(shù)。目前無人車行駛的道路場(chǎng)景可分為兩類：一類是城市主干道、高速公路等邊界清晰、形狀規(guī)則的結(jié)構(gòu)化道路，該類道路的分割技術(shù)已經(jīng)比較成熟[3-4]；另一類是鄉(xiāng)村街道、城市非主干道等邊界模糊、形狀不規(guī)則甚至部分損壞的非結(jié)構(gòu)化道路。該類道路場(chǎng)景下車道保持功能不可靠、分割難度大，更容易出現(xiàn)交通堵塞或其他事故。因此有效地識(shí)別出非結(jié)構(gòu)化道路的可通行區(qū)域，對(duì)無人駕駛技術(shù)的實(shí)際應(yīng)用具有較大的意義。

傳統(tǒng)的非結(jié)構(gòu)化道路分割算法主要依賴道路紋理、顏色、邊緣等表層特征。黃俊提出一種根據(jù)道路方向紋理檢測(cè)消失點(diǎn)的方法，使用局部方向模式特征計(jì)算響應(yīng)幅值并確定投票點(diǎn)，根據(jù)幅值確定紋理主方向，對(duì)投票點(diǎn)進(jìn)行局部自適應(yīng)軟投票并選取最大值作為消失點(diǎn)[5]；郭昕剛則先在RGB空間中進(jìn)行初始分割，之后使用聚類得出像素類別并根據(jù)預(yù)設(shè)范圍加以修改得到最終分割結(jié)果[6]；王翔提出一種基于最大熵閾值分割和邊緣檢測(cè)相結(jié)合的非結(jié)構(gòu)化道路分割算法，首先根據(jù)熵的閾值大小對(duì)道路圖像進(jìn)行初步分割，之后使用邊緣檢測(cè)對(duì)初步分割的錯(cuò)誤區(qū)域重新修正，最后根據(jù)經(jīng)驗(yàn)掃描圖像中央?yún)^(qū)域像素，提取最大連通域作為道路[7]。上述方法在實(shí)際應(yīng)用時(shí)易受環(huán)境影響，難以滿足無人駕駛的魯棒性要求?；诩y理的消失點(diǎn)檢測(cè)方法往往計(jì)算量較大，實(shí)時(shí)性不能得到保障；基于RGB 的方法對(duì)環(huán)境條件要求較高，易受天氣變化、光影等條件的影響；基于邊緣檢測(cè)的方法受限于道路類型，對(duì)彎道場(chǎng)景不夠敏感。

近年來，基于深度學(xué)習(xí)的語義分割取得了巨大成就。FCN（fully convolutional networks）首次實(shí)現(xiàn)像素級(jí)別分割，開啟了語義分割端到端的時(shí)代[8]。在FCN 的基礎(chǔ)上一系列新方法應(yīng)運(yùn)而生，如基于擴(kuò)大感受野的ENet、基于編碼器和解碼器結(jié)構(gòu)的UNet 及SegNet、基于特征融合的DeepLabV3 等[9]。曹富強(qiáng)提出一種針對(duì)缺陷檢測(cè)的分割算法，對(duì)神經(jīng)網(wǎng)絡(luò)中空洞卷積的空洞率加以調(diào)整，并使用多尺度融合的方式提高分割精度[10]。汪水源則利用自適應(yīng)模板對(duì)分割效果進(jìn)行更新，同樣引入多特征融合方法[11]。經(jīng)研究人員的不斷優(yōu)化改進(jìn)，Deep-LabV3+、DANNet、PSPNet 等網(wǎng)絡(luò)在Cityscapes 數(shù)據(jù)集上針對(duì)道路場(chǎng)景分割時(shí)的MIOU（mean intersection over union）值均大于0.8，但由于網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，因而實(shí)時(shí)性不佳[12]。為了保證無人駕駛的安全性，道路分割的速度尤為重要，因此輕量級(jí)的網(wǎng)絡(luò)逐漸問世。BiSeNet 就是其中之一，BiSeNet使用雙分支結(jié)構(gòu)并引入特征融合，降低計(jì)算復(fù)雜度，保障了快速性，常應(yīng)用于無人駕駛、增強(qiáng)現(xiàn)實(shí)等對(duì)實(shí)時(shí)性要求較高的領(lǐng)域。綜上，本文選擇使用基于深度學(xué)習(xí)的像素級(jí)分割方法并對(duì)BiSeNet網(wǎng)絡(luò)加以改進(jìn)，采用更輕量的主干提取網(wǎng)絡(luò)，引入注意力機(jī)制和深度可分離卷積，在保證分割速度的同時(shí)進(jìn)一步提高精度，得到適用于非結(jié)構(gòu)化道路場(chǎng)景下的高水平語義分割模型。

1 語義分割網(wǎng)絡(luò)結(jié)構(gòu)

1.1 BiSeNet 網(wǎng)絡(luò)

BiSeNet[13]網(wǎng)絡(luò)設(shè)計(jì)了空間路徑和上下文路徑2 個(gè)分支，分別用于編碼空間信息和獲取語義信息，由于空間路徑輸出的空間信息較為低級(jí)，上下文路徑的輸出為高級(jí)語義信息，因此使用特征融合模塊對(duì)空間信息和語義信息進(jìn)行融合，最后經(jīng)8 倍上采樣完成分割操作，如圖1 所示。

圖1 BiseNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure diagram of BiseNet network

1.2 改進(jìn)的空間路徑

有效的空間信息編碼和足夠的感受野對(duì)于分割準(zhǔn)確性而言至關(guān)重要。文獻(xiàn)[14]引入ASPP（atrous spatial pyramid pooling），使用空洞卷積編碼空間信息，通過池化操作和不同的空洞率實(shí)現(xiàn)了多尺度提取特征。文獻(xiàn)[15]引入大尺寸的卷積核，借此捕獲較大的感受野。原BiSeNet 網(wǎng)絡(luò)則設(shè)計(jì)了包含3 層標(biāo)準(zhǔn)卷積的空間路徑，該結(jié)構(gòu)可以編碼豐富的空間信息，但卻伴隨著大量的參數(shù)量。

傳統(tǒng)的標(biāo)準(zhǔn)卷積同時(shí)兼顧特征圖空間上的相關(guān)性和通道上的相關(guān)性，輸入特征經(jīng)一步操作得到輸出。而深度可分離卷積（depthwise separable convolution，DSConv）分為2 個(gè)步驟：第1 步對(duì)輸入的特征圖進(jìn)行深度卷積（depthwise convolution），僅考慮空間關(guān)系，對(duì)每個(gè)通道單獨(dú)卷積；第2 步進(jìn)行逐點(diǎn)卷積（pointwise convolution）獲取通道相關(guān)性，卷積核尺寸為1×1，如圖2 所示。

圖2 深度可分離卷積Fig.2 Schematic of depthwise separable convolution

同等輸入輸出條件下，深度可分離卷積的參數(shù)量與標(biāo)準(zhǔn)卷積的參數(shù)量比值為

式中：Ndepth、Npoint、N分別表示深度卷積、逐點(diǎn)卷積、標(biāo)準(zhǔn)卷積的參數(shù)量；D×D為卷積核大?。籆in表示輸入特征通道數(shù)；Cout為輸出特征通道數(shù)。

由式（1）可知，相同條件下，標(biāo)準(zhǔn)卷積的參數(shù)量更大，這將消耗大量的內(nèi)存資源，因此對(duì)空間路徑進(jìn)行改進(jìn)，引入深度可分離卷積減少參數(shù)量，控制內(nèi)存消耗，使網(wǎng)絡(luò)更加輕量化。改進(jìn)后的空間路徑總共有4 層，如圖3 所示。第1 層包括步長為2 的卷積，然后是批量歸一化（batch normalization，BN）和 ReLU（rectified linear unit）激活；第2、3 層使用步長為2 的深度可分離卷積，舍棄BN 和ReLU操作，進(jìn)一步減少參數(shù)量；第4 層與第1 層類似，不同的是卷積核大小為1×1，步長為1。改進(jìn)后的空間路徑依然保留了較大的空間尺寸，輸出具有豐富的空間信息的低層次特征。同時(shí)深度可分離卷積的使用減少了模型參數(shù)量，顯著降低了運(yùn)算成本，在保證準(zhǔn)確性的基礎(chǔ)上提高了非結(jié)構(gòu)化道路的分割速度。

圖3 改進(jìn)后的空間路徑Fig.3 Schematic of improved spatial path

1.3 改進(jìn)的上下文路徑

原BiSeNet 使用輕量化模型Xception 作為上下文路徑的主干提取網(wǎng)絡(luò)，但該輕量化模型往往會(huì)因?yàn)橥ǖ啦粩嗟男藜舳鴵p壞感受野，在早期階段尤為明顯[16]。針對(duì)非結(jié)構(gòu)化道路分割要求的準(zhǔn)確性和實(shí)時(shí)性，對(duì)上下文路徑進(jìn)行改進(jìn)，使用Mobile-NetV3-large[17]代替Xception。MobileNetV3-large 采用獨(dú)特的Bneck 結(jié)構(gòu)，如圖4 所示。綜合了V1 和V2版本的優(yōu)勢(shì)，Bneck 采用線性瓶頸的逆殘差結(jié)構(gòu)并融入SE(squeeze-and-excitation)注意力，對(duì)比Bise-Net 的下采樣具備更好的特征提取效果，對(duì)參數(shù)量和速度控制都更加理想和高效。對(duì)MobileNetV3-large 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行部分調(diào)整；首先進(jìn)行1 次步長為2 的卷積；之后經(jīng)過7 個(gè)Bneck 塊快速下采樣，得到輸入特征圖1/16 大小的特征輸出；再經(jīng)過8 個(gè)Bneck 塊，得到1/32 大小的特征，調(diào)整后的MobileNetV3-large 特征提取網(wǎng)絡(luò)如表1 所示；之后對(duì)該1/32 大小的特征進(jìn)行全局平均池化，用于提供較大的感受野和全局上下文信息；最后將不同等級(jí)的特征經(jīng)過注意力細(xì)化模塊后進(jìn)行融合得到上下文路徑的高級(jí)語義信息。改進(jìn)后的上下文路徑如圖5 所示，圖5（a）為改進(jìn)上下文路徑的結(jié)構(gòu)，圖5（b）為注意力細(xì)化模塊的結(jié)構(gòu)。

表1 調(diào)整后的MobileNetV3-large 特征提取網(wǎng)絡(luò)Table 1 MobileNetV3-large feature extraction network after adjustment

圖4 Bneck 結(jié)構(gòu)圖Fig.4 Structure diagram of Bneck

圖5 改進(jìn)后的上下文路徑Fig.5 Schematic of improved context path

1.4 基于注意力的特征融合模塊

空間路徑捕獲的特征主要為包含空間細(xì)節(jié)的低級(jí)特征，而上下文路徑捕獲的大多是高級(jí)的語義信息特征。由于空間信息和語義信息之間層級(jí)的差距，直接進(jìn)行特征融合效果較差。因此，本文設(shè)計(jì)了通道注意力特征融合模塊（channel attention feature fusion module，CAFFM）來縮小空間層和語義層特征之間的差距，保證不同層級(jí)特征的有效融合，如圖6 所示。

圖6 通道注意力特征融合模塊Fig.6 Schematic of channel attention feature fusion module

首先對(duì)不同層級(jí)的特征進(jìn)行連接，完成初步融合，得到特征Y，然后對(duì)初步融合的特征分別進(jìn)行全局平均池化和最大池化，得到全局上下文的特征向量Yavgpool和Ymaxpool，公式為

式中：H、W表示特征圖的高和寬；Y(i,j)表示在第（i,j）位置上的元素；

然后分別對(duì)Yavgpool和Ymaxpool進(jìn)行1×1 卷積通道降維、引入非線性ReLU 函數(shù)、1×1 卷積通道升維還原維度，再利用sigmoid 函數(shù)對(duì)卷積結(jié)果進(jìn)行激活，得到Favgpool和Fmaxopool2 個(gè)特征，最后與特征Y融合得到最終輸出Fout，公式為

式中：σ 表示sigmoid 激活函數(shù)；fconv1、fconv2、fconv分別表示降維卷積、升維卷積、標(biāo)準(zhǔn)卷積；fRelu表示ReLU 激活函數(shù)；fbn表示批量歸一化操作；?表示逐元素矩陣點(diǎn)乘。

通道注意力特征融合模塊引入了全局池化操作來捕捉特征的全局上下文，使用最大池化提取特征映射的局部特征信息，從而更好地推斷特征映射的通道重要性。從空間層特征和語義層特征中自適應(yīng)地選擇重要信息或顯著信息，抑制冗余信息，最后將重新加權(quán)的特征進(jìn)行連接得到最終輸出，大大提高了網(wǎng)絡(luò)的特征表示能力。

2 數(shù)據(jù)集

印度駕駛數(shù)據(jù)集(Indian driving dataset，IDD)[18]是世界上第一個(gè)開源的非結(jié)構(gòu)化駕駛場(chǎng)景數(shù)據(jù)集，具有高度不確定性和模糊性的非結(jié)構(gòu)化駕駛環(huán)境，混合了城市和農(nóng)村的場(chǎng)景。它由10 004 張圖像組成，大部分圖像為1 920 × 1 080 像素，少部分為1 080 × 720 像素，包含道路場(chǎng)景的34 個(gè)類別精細(xì)標(biāo)注，原圖及標(biāo)簽圖示例如圖7（a）、圖7（b）所示。針對(duì)本文的實(shí)際需求，對(duì)IDD 數(shù)據(jù)集進(jìn)行篩選，共選取7 688 張精細(xì)標(biāo)注用于非結(jié)構(gòu)化道路語義分割的圖片，并對(duì)其類別重新劃分，分別為可行駛區(qū)域以及不可行駛區(qū)域，如圖7（c）所示，可行駛區(qū)域?yàn)榫G色部分，不可行駛區(qū)域?yàn)楹谏糠帧０凑?∶2∶1 的比例對(duì)調(diào)整后的數(shù)據(jù)集隨機(jī)分配，分別用于訓(xùn)練、驗(yàn)證及測(cè)試。

圖7 IDD 數(shù)據(jù)集類別重新劃分示意圖Fig.7 Schematic of category reclassification of IDD dataset

因?yàn)榉墙Y(jié)構(gòu)化道路復(fù)雜多變，相關(guān)數(shù)據(jù)集較少、制作難度大，無法滿足數(shù)據(jù)多樣性的要求。使用未經(jīng)數(shù)據(jù)增強(qiáng)的數(shù)據(jù)集對(duì)模型訓(xùn)練，無法學(xué)習(xí)到足夠豐富的特征，對(duì)種類繁多的非結(jié)構(gòu)化道路識(shí)別沒有普適性。所以對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作，消除模型訓(xùn)練容易產(chǎn)生的欠擬合和過擬合等問題，讓模型可以得到更好的訓(xùn)練，從而具備更高的泛化能力。預(yù)處理操作包括：

1）動(dòng)態(tài)模糊，用于模擬車輛顛簸導(dǎo)致攝像頭采集圖像模糊的情況，如圖8（b）所示；

圖8 預(yù)處理結(jié)果圖Fig.8 Preprocessing results graph

2）水平翻轉(zhuǎn)，用于增強(qiáng)網(wǎng)絡(luò)模型方向上的不變性，如圖8（c）所示；

3）亮度調(diào)整，不同天氣條件下攝像頭采集圖像的顏色、紋理特征有所差別，對(duì)圖像做隨機(jī)亮度調(diào)整，以適應(yīng)不同的環(huán)境光照條件，如圖8（d）、圖8（e）所示；

4）添加隨機(jī)噪聲，用于增強(qiáng)相機(jī)失真的不變性，如圖8（f）所示；

數(shù)據(jù)增強(qiáng)預(yù)處理結(jié)果圖如圖8 所示。

3 實(shí)驗(yàn)結(jié)果與分析

本文使用的實(shí)驗(yàn)平臺(tái)為 Linux 內(nèi)核的臺(tái)式計(jì)算機(jī)，操作系統(tǒng)為 Ubuntu18.04，CPU 處理器為Inter i3-3220，運(yùn)行內(nèi)存16 GB，GPU 為GeForce RTX 2080Ti，顯存11 GB。使用pytorch 深度學(xué)習(xí)框架搭建語義分割網(wǎng)絡(luò)模型，使用python 語言編程。統(tǒng)一計(jì)算設(shè)備架構(gòu)版本選擇Cuda10.0，神經(jīng)網(wǎng)絡(luò)GPU 加速庫版本選擇cudnn7.6.5。

3.1 模型訓(xùn)練及參數(shù)設(shè)置

訓(xùn)練過程中批尺寸大小batch_size 設(shè)置為4，語義分割網(wǎng)絡(luò)每次接收4 張圖片。全部數(shù)據(jù)集進(jìn)行1 次訓(xùn)練為1 個(gè)epoch，共訓(xùn)練100 個(gè)epoch。使用Adam（adaptive moment estimation）優(yōu)化器更新網(wǎng)絡(luò)權(quán)重[19]，初始學(xué)習(xí)率設(shè)為1e-4。Adam 表達(dá)式為

式中：mt、nt表示梯度的一階矩和二階矩；β1、β2表示衰減系數(shù)，設(shè)置 β1=0.9、β2=0.999；J表示目標(biāo)函數(shù)對(duì)模型參數(shù)的偏導(dǎo)數(shù)；表示mt的修正項(xiàng)，表示nt的修正項(xiàng)；Wt表示迭代第t次的模型參數(shù)；α為0.001；ε為10-8。

訓(xùn)練過程中訓(xùn)練集和驗(yàn)證集的F1-score 和loss曲線變化如圖9 所示。模型的驗(yàn)證集損失函數(shù)loss 在前10 個(gè)epoch 快速下降，隨后緩慢下降，到第80 個(gè)epoch 趨于穩(wěn)定，最終收斂于0.075，F(xiàn)1-socre穩(wěn)定在0.97。

圖9 F1-score 和loss 訓(xùn)練過程曲線變化圖Fig.9 Variation curves of F1-score and loss during training

3.2 損失函數(shù)

文獻(xiàn)[20]總結(jié)了圖像語義分割常見的損失函數(shù)。一些研究人員將Dice 相似系數(shù)損失和交叉熵（cross entropy，CE）損失組合使用，獲得了較為理想的分割效果，因此本文選用Dice 相似系數(shù)與Cross Entropy 組合的損失函數(shù)。本文模型的損失函數(shù)L如下：

式中：LDice表示Dice 損失；LCE表示CE 損失；X表示真實(shí)標(biāo)簽像素集合；Y表示預(yù)測(cè)分割結(jié)果像素集合；y代表像素的真實(shí)值；代表像素的預(yù)測(cè)結(jié)果。

3.3 評(píng)價(jià)指標(biāo)

本文設(shè)計(jì)的分割模型采用F1-score、像素準(zhǔn)確率（pixel accuracy,PA）、平均交并比(MIOU)、檢測(cè)速度、模型參數(shù)量（Params）5 個(gè)指標(biāo)進(jìn)行性能評(píng)估[21]。設(shè)Tp、Fp、Tn、Fn分別表示正確預(yù)測(cè)可行駛區(qū)域、錯(cuò)誤預(yù)測(cè)可行駛區(qū)域、正確預(yù)測(cè)不可行駛區(qū)域、錯(cuò)誤預(yù)測(cè)不可行駛區(qū)域的像素?cái)?shù)量。F1-score是衡量語義分割模型精確度常用指標(biāo)，通過對(duì)精準(zhǔn)率LPrecision和召回率LRecall加權(quán)平均得出，公式如式（11）～式（13）所示：

使用F1-score 可以有效地平衡精準(zhǔn)率和召回率兩個(gè)指標(biāo)，防止某一指標(biāo)很高但模型整體效果不佳的情況發(fā)生。PA 反應(yīng)了模型預(yù)測(cè)圖像像素與真實(shí)標(biāo)簽像素的誤差，為正確預(yù)測(cè)像素占全部像素的比例，公式如下：

MIOU 反應(yīng)了預(yù)測(cè)值與真實(shí)值的重疊程度，為預(yù)測(cè)值與真實(shí)值集合的交并比均值，本文的MIOU公式如下：

3.4 改進(jìn)模型有效性驗(yàn)證

為驗(yàn)證本文改進(jìn)模型的有效性，設(shè)計(jì)消融實(shí)驗(yàn)測(cè)試各改進(jìn)部分對(duì)模型的影響。構(gòu)建原始版本BiSeNet 網(wǎng)絡(luò)模型（空間路徑使用標(biāo)準(zhǔn)卷積Conv，上下文路徑主干提取網(wǎng)絡(luò)為Xception 或ResNet，特征融合使用FFM 模塊）。在原BiSeNet 網(wǎng)絡(luò)模型的基礎(chǔ)上逐步加入MobileNetv3 特征提取網(wǎng)絡(luò)、深度可分離卷積（DSConv）、通道注意力特征融合模塊（CAFFM）構(gòu)成改進(jìn)后的模型，使用MIOU、F1-score、Params 3 個(gè)指標(biāo)評(píng)估模型性能。在測(cè)試集上的運(yùn)行結(jié)果如表2 所示。

表2 不同改進(jìn)措施的模型性能Table 2 Model performance with different improvement measures

可以看到，上下文路徑采用輕量級(jí)網(wǎng)絡(luò)Mobile-Netv3 代替Xception 或ResNet，使模型的MIOU 和F1-score 提高到92.43%和94.65%，同時(shí)參數(shù)量下降至1.16×106，說明MobileNetv3 的Bneck 結(jié)構(gòu)逆殘差和注意力機(jī)制使得特征得到有效判別，模型的分割效果得到提升；空間路徑重新設(shè)計(jì)的DSConv將模型參數(shù)進(jìn)一步降低至1.09×106，模型更為輕量化；CAFFM 模塊融入通道注意力，利用最大池化提取局部特征、全局池化捕獲特征的全局上下文，大大提高了模型的特征表達(dá)能力，雖然參數(shù)量有些許增加，但MIOU 和F1-score 提高到95.40%和96.74%，說明了該結(jié)構(gòu)的有效性。

3.5 不同網(wǎng)絡(luò)模型性能對(duì)比

選擇U-Net、DeepLabV3+、FCN-32S、BiSeNet_resnet、BiSeNet_xception 等經(jīng)典語義分割網(wǎng)絡(luò)模型與本文模型進(jìn)行性能對(duì)比。上述模型分別基于本文篩選并重新分類的IDD 數(shù)據(jù)集進(jìn)行訓(xùn)練，并在測(cè)試集上使用F1-Score、PA、MIOU、模型參數(shù)量Params、檢測(cè)速度Speed 5 個(gè)評(píng)價(jià)指標(biāo)進(jìn)行評(píng)估，不同網(wǎng)絡(luò)模型性能對(duì)比如表3。

表3 不同網(wǎng)絡(luò)模型性能對(duì)比Table 3 Performance comparison of different network models

由表3 可知，在準(zhǔn)確性方面，本文模型的F1-Score 為96.74%，分別比U-Net、DeepLabV3+、FCN-32S、BiSeNet-resnet、BiSeNet-xception 高 5.18%、1.89%、6.2%、5.42%、8.08%；在實(shí)時(shí)性方面，本文模型使用輕量級(jí)mobilenetv3 作為上下文路徑的特征提取網(wǎng)絡(luò)，在空間路徑使用深度可分離卷積，網(wǎng)絡(luò)實(shí)時(shí)性得到很大提升，對(duì)比BiSeNet-xception 檢測(cè)速度提升18.83%，分別是U-Net、DeepLabV3+、FCN-32S 模型檢測(cè)速度的1.41 倍、2.42 倍、1.29 倍；在參數(shù)量方面，本文模型參數(shù)量僅有1.11×106，低于其他模型。通過與改進(jìn)前模型以及當(dāng)前主流分割模型的性能對(duì)比綜合分析可知，本文模型兼顧實(shí)時(shí)性和準(zhǔn)確性，具有良好的分割性能。

選用BiSeNet 及效果較好的DeepLabV3+與本文模型在不同場(chǎng)景下進(jìn)行預(yù)測(cè)效果對(duì)比，對(duì)比結(jié)果如圖10 所示?？梢钥吹?，DeeplabV3+對(duì)道路邊界把控不理想，在噪聲、動(dòng)態(tài)模糊等情況的影響下，會(huì)出現(xiàn)部分錯(cuò)誤分割，如圖10（c）矩形框部分所示；BiSeNet 模型對(duì)陰影、道路轉(zhuǎn)彎部分分割效果不佳，光照、噪聲、動(dòng)態(tài)模糊均會(huì)影響其分割效果，容易出現(xiàn)細(xì)節(jié)丟失的情況，如圖10（d）矩形框部分所示；而本文模型可以較為準(zhǔn)確、完整地對(duì)非結(jié)構(gòu)化道路進(jìn)行分割，避免了上述問題，具有較強(qiáng)的魯棒性，預(yù)測(cè)效果最接近標(biāo)簽圖像。

4 結(jié)論

本文提出了一種基于改進(jìn)BiSeNet 網(wǎng)絡(luò)的非結(jié)構(gòu)化道路場(chǎng)景的語義分割算法，在空間路徑引入深度可分離卷積，上下文路徑使用MobileNetv3替換原BiSeNet 的主干網(wǎng)絡(luò)，并在最后的特征融合部分引入注意力機(jī)制，極大地降低了模型參數(shù)量，提升了實(shí)時(shí)性的同時(shí)保證了分割精度，獲得了較好的分割效果。本文算法的準(zhǔn)確性對(duì)比其他網(wǎng)絡(luò)都有不同程度的提高，對(duì)比原BiSeVet 檢測(cè)速度提升18.83%，分別是U-Net、DeepLabV3+、FCN-32S模型檢測(cè)速度的1.41 倍、2.42 倍、1.29 倍。本文模型參數(shù)量僅為1.11×106，低于其他對(duì)比模型。實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)的模型實(shí)現(xiàn)了速度與精度的平衡，具有良好的性能。