随着自动驾驶技术研究的不断深入,对交通场景的深入理解变得愈发重要,交通场景图像语义分割在自动驾驶领域中起着举足轻重的作用,只有有效提升语义分割准确性能,才能使得自动驾驶的车辆在复杂的日常交通场景中安全导航。而当前很多语义分割方法在对小物体以及对物体交界边缘处的分割能力较为低下,且自动驾驶对细小物体的分割准确性要求较高。因此研究对小物体以及物体交界边缘的精准分割技术,将对自动驾驶领域有非常强的助力作用。本文旨在研究在语义分割神经网络中嵌入注意力模块后对交通场景图像分割效果的提升,为提高语义分割的准确性能,本文主要研究内容如下。1.为提高网络对交通场景图像中小物体的分割准确性能,在Deep Labv3+语义分割网络的基础上,加入了空间注意力模块,增强了特征图的空间表达能力;并对ASPP模块进行结构上的优化,扩大了感受野的范围,有效提升了对交通场景图像中小物体的分割性能;同时对Focal Loss损失函数进行参数选择,有效缓解了因注意力机制模块加入使得数据不均衡以及敏感性增加的影响。最终使得网络在Cityscapes测试集上的m Io U为78.56%。相比于Deep Labv3+,在基本保持平均预测时间不变的情况下提升了网络分割性能。2.为提高网络对交通场景图像中的物体交界边缘处的分割准确性,在Deep Labv3+语义分割网络的基础上,加入了通道注意力模块,该模块将特征图分为平均池化通道与最大池化通道,复用了图像的通道特征,有效提升了网络对交通场景图像中物体交界边缘处的语义分割准确性;除使用Focal Loss损失函数外,还设计了Multi-ASPP模块,该模块通过减少网络参数量进而提高网络分割效率。最终使得网络分割的m Io U由Deep Labv3+的77.17%提升至78.82%,平均预测时间由0.150s降低到了0.146s,提升准确性能的同时,提升了网络效率。3.为进一步提升网络对交通场景图像中的小物体以及物体交界边缘分割准确性,将上述空间注意力模块与通道注意力模块进行并联结合,并加入到Deep Labv3+中,使得模型有效融合了空间特征与通道特征。并将非局部注意力模块引入到骨干网络中,组成非局部网络,加强了骨干网络对特征的提取能力,使得网络对交通场景下的小物体以及物体交界边缘的分割准确性能进一步提升。最终网络的m Io U为79.42%。