基于HCDeepLabV3+的道路意外障碍物检测算法

摘要

为了解决复杂道路场景中远距离小目标检测的难题，提出HCDeepLabV3+模型，通过3项改进提升语义分割精度：(1)引入高度驱动注意力机制(HANet),利用垂直空间信息增强对目标上下文特征的建模；(2)设计跨层特征融合策略(CLC),在ResNet的前3个阶段插入卷积层，实现低层细节信息与高层语义表达的互补；(3)在解码端嵌入卷积注意力模块(CBAM),联合优化通道与空间特征响应，强化目标表征并抑制背景干扰。基于Lost and Found数据集的实验结果表明，改进模型的像素级检测率(PDR)达85.05%,假阳性率(PFPR)降至0.26%,相比原始模型均有显著提升。该模型在复杂场景障碍物检测中展现出优异的鲁棒性，尤其在远距离目标识别与细节保持方面表现突出，为道路安全预警提供了有效的技术支持。

关键词

语义分割 / DeepLabV3+ / 道路意外障碍物 / 注意力机制 / 卷积层