语义分割是智能驾驶领域目前仍具挑战性的重要研究问题之一,使用深度学模型处理语义分割任务已为学术以及应用界的主流。对于语义分割任务,在图像建模过程中考察图像的二维序列关系可以显著地提高深度学习模型的性能,在此基础上,非局部模块以及其他形式的注意力模块得以提出。本文的研究内容重点关注了基于注意力机制的图像序列关系建模以及损失函数的设计及改良,主要内容如下:1.针对图像序列关系建模问题引入注意力机制,利用非局部模块构建全局关联性,同时采用轻量级的MobileNetV3骨架网络,提出了参数更少但建模能力相似的语义分割模型,实验仿真结果表明,所提模型相较于本文的基线模型提高了 9.24%的像素级别准确率,以及提高了 0.10%的平均交并比。2.针对传统像素分类损失导致的收敛速率问题,本文使用了结合全局分类损失以及像素分类损失的方式来加快模型的收敛速度。考虑到在分类损失中加入边距量可以在一定程度上提高模型的泛化能力,本文将AMsoftnax损失函数追加到了总体的损失函数上。实验仿真结果表明,所提方法为模型产生了一定的性能增益,在像素级别准确率以及平均交并比指标上分别达到了 89.55%和72%的精度。