基于高效视觉Transformer的多尺度全局上下文推理语义分割网络

来源：计算机工程与应用杂志2026年第10期北京时间：

作者：王泽宇, 布树辉, 李灿林

单位：1.郑州轻工业大学 计算机与人工智能学院，郑州 450001；2.西北工业大学 航空学院，西安 710072；

摘要：为了解决语义分割中局部特征的准确编码、全局特征的全面推理以及局部和全局特征的有效融合问题，提出联合卷积神经网络和视觉Transformer的多尺度全局上下文推理网络。改进ResNet-50各层为串联空洞空间金字塔池化结构，从而通过多组递增的局部感知域编码不同尺度的局部特征。基于特征空间压缩技术降低多头自注意力机制的计算复杂度，以提升视觉Transformer的自适应聚合速度。设计具有多尺度全局感知域的推理模块，该模块由4路并行的高效视觉Transformer（efficient vision transformer，EVT）分支组成，各路EVT分支分别推理不同尺度局部特征对应的全局特征。提出对称注意力融合机制，该机制通过双向选择性注入方式融合不同尺度的局部和全局特征。实验结果表明，与当前先进方法相比，所提网络在ADE20K、Cityscapes和LIP数据集上分别取得最优的平均交并比61.0%、87.3%和65.6%。

关键词：语义分割,串联空洞空间金字塔池化,高效视觉Transformer,对称注意力融合

基金资助：河南省高等学校重点科研项目计划（25A520025，25A520033）；河南省科技攻关项目（262102210067，252102210156）。