编辑推荐：
随着人工智能技术的快速发展，室内场景分割在机器人视觉、安全监控、消防等领域得到越来越广泛的应用。通常，室内物体存在相互遮挡严重、布局密集等问题，因此对网络分割的准确性要求较高。然而，在提高网络分割精度的同时，往往牺牲了网络运行速度，且识别效果难以达到要求。由于
随着人工智能技术的快速发展，室内场景分割在机器人视觉、安全监控、消防等领域得到越来越广泛的应用。通常，室内物体存在相互遮挡严重、布局密集等问题，因此对网络分割的准确性要求较高。然而，在提高网络分割精度的同时，往往牺牲了网络运行速度，且识别效果难以达到要求。由于现有室内场景网络识别能力不强、分割精度不高，研究人员提出了一种新的金字塔注意力网络（Pyramid Attention Network, PANet），改善了以往的多尺度特征提取方法，并设计了场景注意力模块（Scene Attention Module, SAM），使网络能够将空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）层的强大全局解析能力与场景注意力模块相结合。PANet首先提取不同尺度的特征图，然后对特征图应用空间注意力机制，使网络在特征图的每个区域形成增强的信息表示。PANet在纽约大学制作的室内场景数据集NYU V2上达到了35.12%的平均交并比（mIoU）和37.96帧/秒（fps）的分割速度，可有效用于实时图像处理。
**研究背景与问题**
室内场景分割是语义分割领域的重要研究方向，在机器人视觉、安全监控、消防、医疗影像、智能家居等方面具有广泛应用。与自动驾驶等室外场景相比，室内场景存在物体相互遮挡严重、布局密集、物体尺度差异大等特点，对网络的分割精度提出了更高要求。近年来，全卷积网络（Fully Convolutional Network, FCN）、PSPNet（Pyramid Scene Parsing Network）、ICNet（Image Cascade Network）、DeepLabv3+等分割网络在室外场景中取得了较好效果，但在室内场景中仍存在识别能力不强、分割精度不高的问题。此外，现有高精度网络往往结构复杂、参数众多，导致推理速度较慢，难以满足实时处理需求。注意力机制（如SENet、CBAM、SGE等）虽能提升特征表征能力，但常引入额外参数或仅在单一维度上生效，对室内复杂场景的空间细节关注不足。针对上述问题，研究人员提出了金字塔注意力网络（Pyramid Attention Network, PANet），旨在兼顾分割精度与推理速度，实现室内场景的实时高效分割。
**研究内容与意义**
PANet结合了空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）的强大全局信息获取能力与空间注意力机制，通过优化多尺度特征提取和引入轻量级场景注意力模块，增强了网络对室内密集场景中关键区域和细节的感知能力。该网络在NYU V2数据集上取得了60.19%的平均像素精度（mPA）和35.12%的平均交并比（mIoU），分割速度达37.96fps，较DeepLabv3+提升了86.4%。该研究为室内场景分割提供了新的网络设计思路，证明了在轻量骨干网络基础上通过模块优化即可获得高精度与高速度的平衡，对实时应用（如机器人导航、智能监控）具有实际意义。
**关键技术与方法**
PANet采用MobileNetV2作为骨干网络，整体结构包括空间金字塔注意力模块（Spatial Pyramid Attention Module, SPAM）和上下文融合模块（Context Fusion Module, CFM）。SPAM由场景特征生成模块（Scene Feature Generation Module, SFGM）和场景注意力模块（Scene Attention Module, SAM）组成。SFGM在ASPP基础上对卷积核尺寸进行优化（采用3×3、3×3、5×5、5×5四组卷积核），并提出三种空洞率策略——紧密相关空洞策略（Closely Correlated Dilation Strategy, CCDS）、一般相关空洞策略（General Correlated Dilation Strategy, GCDS）和稀疏相关空洞策略（Sparse Correlated Dilation Strategy, SCDS），以匹配不同卷积核的扩张率，同时引入Dropout防止过拟合。SAM对多尺度特征图进行分组，利用平均池化、最大池化和空间路径（包含9×9卷积与1×1卷积）三条路径生成二维空间注意力图，与输入特征图相乘后强化关键空间信息。CFM在解码阶段将低维特征与多尺度特征融合，减少下采样带来的细节损失。实验使用NYU V2数据集（包含464个室内场景、1449张RGB-D图像，其中795张训练、654张测试，实验仅使用RGB图像），基于PyTorch框架，采用“poly”学习率策略，基础学习率0.004，动量0.9，权重衰减0.0004，图像尺寸256×256，批大小为4，在NVIDIA GeForce RTX 2060 SUPER GPU上训练。
**研究结果**
3.1 参数设置
研究人员设置了训练超参数，采用随机缩放和裁剪进行数据增强，并使用ImageNet预训练的MobileNetV2和ResNet101模型初始化，为后续实验奠定了基础。
3.2 实验方法
使用平均像素精度（mPA）和平均交并比（mIoU）作为评价指标，通过调整网络权重并在测试集上评估，采用Poly学习率策略逐步优化分割结果。
3.3 实验结果与分析
在NYU V2测试集上，PANet的mPA和mIoU分别为60.19%和35.12%，分割速度为37.96fps，均优于FCN-8s、FCN-16s、FCN-32s、ICNet、HRNet V2、DeepLabv3和DeepLabv3+。相比DeepLabv3+，mIoU提升2.28个百分点，速度提升86.4%。
消融实验表明，将DeepLabv3+的ASPP替换为SFGM后，mIoU从32.84%提升至34.43%；在ASPP模块后添加SAM后，mIoU提升至34.29%；而SFGM与SAM联合使用（即完整PANet）达到35.12%的mIoU，证明两个模块功能互补且均有效。
SAM与其他注意力机制对比实验中，在ResNet101骨干上分别添加SGE、SE、CBAM和SAM（仅作为ASPP后处理），SAM取得了34.29%的mIoU，优于SGE（33.50%）、SE（32.36%）和CBAM（33.87%），且未移植到骨干网络中，节省了大量计算资源。
不同空洞率策略实验中，采用CCDS且具体空洞率为（1,2,3,4）时，PANet取得最高mIoU（35.12%），此时最大感受野为17，能更好地捕捉空间像素间的相关性。而过大空洞率会影响网络对物体信息相关性的学习，导致分割效果下降。
**讨论与结论**
讨论部分指出，SFGM通过更大的卷积核和优化的膨胀率策略，比ASPP收集了更丰富的空间信息，mIoU和mPA分别提升1.59和2.28个百分点；SAM通过分组空间注意力抑制噪声并强化关键信息，在ASPP基础上使mIoU和mPA分别提升1.45和2.14个百分点。两者结合可互补性能，共同提升分割精度。
研究结论总结，PANet使用结构更轻量的MobileNetV2，通过优化ASPP模块和增加轻量空间注意力机制，在室内场景中兼顾了分割精度与推理速度。实验结果显示PANet在mIoU、像素精度和分割速度上均有显著优势。但PANet尚未引入合适的通道注意力机制，未来研究方向是整合通道注意力，以进一步提高网络对室内场景信息的处理效率。
