语义分割是计算机视觉领域的重点关注问题,也是场景理解的基石性任务。近年来,深度学习在图像处理、语音识别等领域表现优异,因此语义分割任务也更倾向于采纳深度学习方法,来实现更精准的分割预测。目前,最出色的语义分割方法往往借助全卷积神经网络的结构形式,以此来获取逐像素的分类预测。然而,语义分割是一项密集标注任务,需要在获得目标语义信息的同时对其进行精确定位。而现有的神经网络模型往往会在提取特征的过程中损失目标细节,因此语义分割的关键是在捕获高层次的语义信息的同时补充低层次的空间信息。针对这个课题,本文分别从编码器、解码器与辅助信息三个角度出发,提出注意力辅助的多源信息融合语义分割模型。最后,分别使用WHDLD数据集与DLRSD数据集进行实验,证实本文方法的正确性和有效性。1、从精炼编码信息的角度出发,针对语义信息与细节信息难以平衡的问题,设计了一个多阶段特征融合的全卷积语义分割模型。首先,为获取图像最高级的抽象语义信息,采用一个经过预训练的特征提取器的末端输出图作为高阶段语义信息的来源;之后,为保留精细的目标定位信息,借助特征提取器的中间特征图作为低阶段细节信息的来源,并设计一个低阶段特征转换模块实现空间信息的精炼。最后,通过特征融合模块将两种信息源充分融合,并经过上采样操作输出模型的预测结果。新模型通过不同阶段特征的融合过程,对语义信息和细节信息同时编码,实现了不同信息源的综合利用。值得注意的是,新模型中细节信息源的本质为现有特征图的复用,因此不仅实现了对特征的进一步信息挖掘,还减少了创建细节源时的资源耗费。2、从重塑解码信息的角度出发,针对模型上采样结果粗糙的问题,提出一个基于通道注意力机制的上采样优化模型。新模型在多阶段特征融合的基础上,借助注意力机制与跨层连接思想改进了上采样方式,从而极大地改善解码部分。新模型摒弃了常用的直接使用双线性插值法输出预测结果的方式,借助编解码信息共同指导解码器的特征恢复过程,最终大幅地提升了解码器的性能。与其他将编解码信息进行跨层连接的模型不同,新模型借助了通道注意力机制,使解码器可以进行自主优化解码过程,实现了解码信息的重塑。最后,在两个数据集上对新模型进行实验验证与结果分析。3、从辅助信息的角度出发,针对目标边界粗糙的问题,提出了一个利用边界信息源的语义分割模型。现阶段较为先进的语义分割模型都将目标边界信息与其他信息不加区分、共同处理,而新模型通过设计一个边界提取模块,专注于优化目标的边界细节,从而使不同类型的信息得以充分利用。此外,边界约束的引入还实现了目标类别和目标边界的多源信息综合利用。之后,借助Canny边缘检测算法制作了二元边界标签,以便同时利用边界标签与分割标签对模型进行训练,实现模型的多重约束优化。最后,通过对比实验阐释了新方法的有效性。