EGRNet：一种带有边缘门控细化和对抗性感知的轻量级语义分割网络

随着自动驾驶系统和智慧城市的发展，对高效且鲁棒的场景理解需求日益增长。语义分割在使自动驾驶车辆理解复杂城市环境中发挥着关键作用。然而，在保持高精度的同时最小化计算成本仍是一个重大挑战。为此，研究人员提出了边缘门控细化网络（EGRNet），一种专为城市场景实时语义分割设计的轻量级高效深度学习模型。

EGRNet集成了深度可分离卷积以降低计算复杂度，并采用扩张残差块捕获丰富的多尺度上下文信息。深度可分离卷积将标准卷积分解为深度卷积和逐点卷积，显著减少了参数数量和计算量。扩张残差块通过引入扩张卷积，在不增加参数的情况下扩大了感受野，从而能够捕捉更广泛的上下文信息。此外，模型引入了一种新颖的边缘门控细化（EGR）模块，通过可学习的门控机制自适应地融合原始特征和细化特征，从而增强边界保留和边缘敏感区域的处理能力。该模块能够动态调整特征融合权重，使得网络在边缘区域更加精细。为进一步提升特征表示，网络中还应用了Squeeze-and-Excitation（SE）注意力机制，通过显式建模通道之间的相互依赖关系，自适应地重新校准通道特征响应。

在Cityscapes数据集上的评估显示，EGRNet仅凭0.46M参数即达到了65.28%的平均交并比（mIoU），在极低资源消耗下展现了强劲的准确性。这一性能在轻量级网络中具有竞争力，甚至优于一些参数更多的模型。同时，该模型引入了一种轻量级对抗攻击检测策略，通过在网络早期添加一个轻量级检测器，能够识别并过滤潜在的对抗性输入，确保在不影响实时性能的前提下抵御对抗性攻击。通过结合效率、准确性和鲁棒性，EGRNet非常适合部署在安全关键实时应用中的边缘设备上，例如自动驾驶汽车、无人机和智能监控系统。