摘要：针对低光照环境下道路分割精度低、实时性差的问题，本文提出了一种融合CBAM注意力机制的轻量级卷积神经网络。该网络采用深度可分离卷积构建编码器-解码器架构，在保持较少参数量的同时实现高精度的道路分割。为提升低光照场景下的特征表达能力，本文在网络关键位置引入CBAM（Convolutional Block Attention Module）注意力模块，通过通道注意力和空间注意力的协同作用，自适应地增强道路区域特征并抑制背景干扰。

论文概述

本文系统对比了CBAM、SE、ECA和Coordinate Attention四种注意力机制在道路分割任务中的性能表现。实验结果表明，CBAM注意力机制在精度和参数量之间取得了最佳平衡，相比基线模型参数量仅增加4.49%（43,302个参数），验证精度提升1.35个百分点，达到95.54%。此外，本文还实现了基于CLAHE和Gamma校正的自适应低光照增强算法，有效改善了夜间道路图像的可见度。

在KITTI道路分割数据集上的实验验证了所提方法的有效性。最终模型参数量为1.01M，在NVIDIA GPU上推理速度达到15ms/帧，满足实时性要求。本文还开发了基于PyQt5的可视化系统，实现了模型的实际应用和效果展示。研究成果可为自动驾驶、智能交通等领域的低光照道路感知提供技术支持。

统计信息

论文目录

配套项目

项目代码：基于CBAM注意力机制的轻量级低光照道路分割网络 需要另外购买。

作者信息

作者：Bob (张家梁)
论文编号：Doc-43
原创声明：本项目为原创作品

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。

版权声明：本站除特别标注外的所有源码与资料均为原创，受《中华人民共和国著作权法》等相关法律保护。未经本站事先书面许可，任何个人或机构不得以复制、转载、爬取、汇编、改写、引用等方式使用本站内容，不得将本站内容发布或用于任何形式的商业活动。对未经授权使用本站内容的行为，本站保留追究法律责任的权利，包括但不限于要求删除、赔偿、诉讼等。如认为本站内容侵犯其合法权益，请提供权属证明并联系我们，我们将在核实后依法及时处理。