CN119445107A 基于轻量化多尺度融合Transformer网络的道路语义分割方法 （安徽工程大学）

基于轻量化多尺度融合Transformer网络的具体涉及基于轻量化多尺度融合Transformer网轻量化编码器网络模块将深度可分离卷积与非计算复杂度，轻量化多尺度融合Transformer网计的道路场景语义分割方法准确率高，复杂度2步骤S2.1、在轻量化编码器网络模块中使用轻量化混合卷积块进行道路场景特征提步骤S3、设计轻量化多尺度融合Transformer网络模块，且轻量化多尺度融合Transformer网络模块旨在捕捉不同尺度特征图之间的步骤S3.1、轻量化多尺度融合Transformer网络模块将编码器输出的多尺度特征图转步骤S4.1、轻量化解码器网络通过轻量化混合卷积块LMCB(·|)聚合解码特征图32.根据权利要求1所述的基于轻量化多尺度融合Transformer网络的道路语义分割方3.根据权利要求2所述的基于轻量化多尺度融合Transformer网络的道路语义分割方且深度可分离卷积能够通过对每个输入通道分别应用K×K的深度卷积滤波器来降低非对称空洞卷积则利用分解为1×K和K×1形状的空洞率为r的卷积核扩大感受野，从4.根据权利要求3所述的基于轻量化多尺度融合Transformer网络的道路语义分割方45.根据权利要求4所述的基于轻量化多尺度融合Transformer网络的道路语义分割方6.根据权利要求5所述的基于轻量化多尺度融合Transformer网络的道路语义分割方Q=oyo)5其中，◎和∑分别表示元素乘法和元素求和操作,ReLU(·)为ReLU激活函数，7.根据权利要求6所述的基于轻量化多尺度融合Transformer网络的道路语义分割方8.根据权利要求7所述的基于轻量化多尺度融合Transformer网络的道路语义分割方意力网络模块细化后的特征图作为输入，通过一个1×1的卷积层并后接L=λL67基于轻量化多尺度融合Transforme[0001]本发明涉及人工智能和自动驾驶技术领域，尤其涉及基于轻量化多尺度融合[0005](1)道路场景语义分割算法需要在确保高分割精度的同时，满足实时性或高效处何在精度与效率之间找到最佳的平衡点仍然是影响道路场景语义分割任务的[0007]有鉴于此，本发明的目的在于提出基于轻量化多尺度融合Transformer网络的道[0008]基于上述目的，本发明提供了基于轻量化多尺度融合Transformer网络的道路语8[0017]步骤S3、设计轻量化多尺度融合Transformer网络模块，且轻量化多尺度融合Transformer网络模块旨在捕捉不同尺度特征图之间的[0019]步骤S3.1、轻量化多尺度融合Transfo9的不同空间像素分配权重，并计算细化后的特征图具体可表示[0040]且深度可分离卷积能够通过对每个输入通道分别应用K×K的深度卷积滤波器来[0041]非对称空洞卷积则利用分解为1×K和K×1形状的空洞率为r的卷积核扩大感受可用以下公式表示：[0060]其中，⊙和∑分别表示元素乘法和元素求和操作,ReLU(·)为ReLU激活函数，间注意力网络模块细化后的特征图作为输入，通过一个1×1的卷积层并[0077]轻量化多尺度融合Transformer网络模块对多个尺度提取的特征图进行重构，该[0078]轻量化解码器网络模块聚合解码特征图与轻量化多尺度融合Transformer网络模[0080]综上所述，本发明所设计的基于轻量化多尺度融合Transformer网络的道路场景[0105]如图3所示，深度可分离卷积能够通过对每个输入通道分别应用K×K的深度卷积[0106]非对称空洞卷积则利用分解为1×K和K×1形状的空洞率为r的卷积核扩大感受种卷积方式既保持了深度可分离卷积的计算效率，又通过非对称空洞卷积扩大了感受野，融合Transformer网络模块旨在捕捉不同尺度特征图之间的[0109]步骤S3.1、轻量化多尺度融合Transfo可用以下公式表示：[0126]其中，⊙和∑分别表示元素乘法和元素求和操作,ReLU(·)为ReLU激活函数，的不同空间像素分配权重，并计算细化后的特征图具体可表示[0153]本发明的实施例旨在涵盖落入所附权