贺照蒙，孔广黔，吴 云

贵州大学 计算机科学与技术学院，贵阳550025

随着人工智能的不断发展，智能家居机器人逐渐走进了人们的生活。智能家居机器人的主要工作场所就是室内。为了让机器人在室内环境中更好地完成工作，必须使其具备一定的对室内场景的理解能力。而语义分割就是将图像分割成几个具有语义意义的连贯部分，这有助于机器人对场景的理解。因此，越来越多的研究者投入到室内场景语义分割的研究之中。

然而，由于室内场景的物体种类繁多，物体尺寸相差较大且大量物体重叠遮挡，导致室内场景语义分割仍极具挑战。随着深度相机（例如Time-of-Flight（TOF）、Kinect等）的出现和发展，研究者通过深度相机，可以获得更多的几何信息，这些信息对光照、外观和遮挡都具有更高的不变性，融合RGB和深度特征有利于室内场景的语义分割，理论上比只利用RGB信息进行语义分割的分割性能更好。

总而言之，深度图像能为语义分割提供更为丰富的几何信息，有助于网络避免受目标的外观、光照等影响。但是，目前大多数室内场景语义分割网络的融合方式过于单一，不能根据RGB和深度图像的特点进行融合，分割精度欠佳。针对这一问题，本文引入通道注意力机制的思想，设计了特征融合模块，使网络能够学习性地融合RGB和深度信息；同时使用多尺度联合训练指导网络学习各个尺度的特征，加速网络收敛，提高分割精度。

1 网络结构

本文网络主要包括编码器和解码器两部分。……