隨着自動駕駛系統和智慧城市的發展，對高效且魯棒的場景理解需求日益增長。語義分割在使自動駕駛車輛理解複雜城市環境中發揮着關鍵作用。然而，在保持高精度的同時最小化計算成本仍是一個重大挑戰。為此，研究人員提出了邊緣門控細化網絡（EGRNet），一種專為城市場景實時語義分割設計的輕量級高效深度學習模型。
EGRNet集成了深度可分離卷積以降低計算複雜度，並採用擴張殘差塊捕獲豐富的多尺度上下文信息。深度可分離卷積將標準卷積分解為深度卷積和逐點卷積，顯著減少了參數數量和計算量。擴張殘差塊通過引入擴張卷積，在不增加參數的情況下擴大了感受野，從而能夠捕捉更廣泛的上下文信息。此外，模型引入了一種新穎的邊緣門控細化（EGR）模塊，通過可學習的門控機制自適應地融合原始特徵和細化特徵，從而增強邊界保留和邊緣敏感區域的處理能力。該模塊能夠動態調整特徵融合權重，使得網絡在邊緣區域更加精細。為進一步提升特徵表示，網絡中還應用了Squeeze-and-Excitation（SE）注意力機制，通過顯式建模通道之間的相互依賴關係，自適應地重新校準通道特徵響應。
在Cityscapes數據集上的評估顯示，EGRNet僅憑0.46M參數即達到了65.28%的平均交併比（mIoU），在極低資源消耗下展現了強勁的準確性。這一性能在輕量級網絡中具有競爭力，甚至優於一些參數更多的模型。同時，該模型引入了一種輕量級對抗攻擊檢測策略，通過在網絡早期添加一個輕量級檢測器，能夠識別並過濾潛在的對抗性輸入，確保在不影響實時性能的前提下抵禦對抗性攻擊。通過結合效率、準確性和魯棒性，EGRNet非常適合部署在安全關鍵實時應用中的邊緣設備上，例如自動駕駛汽車、無人機和智能監控系統。