摘要：针对低光照环境下道路分割精度低、实时性差的问题，本文提出了一种融合CBAM注意力机制的轻量级卷积神经网络。该网络采用深度可分离卷积构建编码器-解码器架构，在保持较少参数量的同时实现高精度的道路分割。为提升低光照场景下的特征表达能力，本文在网络关键位置引入CBAM（Convolutional Block Attention Module）注意力模块，通过通道注意力和空间注意力的协同作用，自适应地增强道路区域特征并抑制背景干扰。
项目简介
一个融合CBAM注意力机制的轻量级低光照道路分割网络，参数量1.01M，验证精度95.54%。
系统概述
本文系统对比了CBAM、SE、ECA和Coordinate Attention四种注意力机制在道路分割任务中的性能表现。实验结果表明，CBAM注意力机制在精度和参数量之间取得了最佳平衡，相比基线模型参数量仅增加4.49%（43,302个参数），验证精度提升1.35个百分点，达到95.54%。此外，本文还实现了基于CLAHE和Gamma校正的自适应低光照增强算法，有效改善了夜间道路图像的可见度。
在KITTI道路分割数据集上的实验验证了所提方法的有效性。最终模型参数量为1.01M，在NVIDIA GPU上推理速度达到15ms/帧，满足实时性要求。本文还开发了基于PyQt5的可视化系统，实现了模型的实际应用和效果展示。研究成果可为自动驾驶、智能交通等领域的低光照道路感知提供技术支持。
系统架构
本系统采用编码器-解码器架构，编码器使用深度可分离卷积逐步提取道路特征并下采样（32→64→128→256→512通道），在128、256、512通道后分别嵌入CBAM注意力模块，通过通道注意力和空间注意力协同增强关键特征；解码器通过转置卷积逐步上采样恢复空间分辨率，最后经1×1卷积输出像素级分割结果。系统集成自适应低光照增强模块（CLAHE+Gamma校正）作为预处理，并提供PyQt5可视化界面支持模型切换、实时检测和结果保存。
快速开始
pip install -r requirements.txt 后运行 python mainwindow.py 启动界面，或使用 python train.py 训练模型。
环境要求
Python 3.8+，PyTorch 1.10+，OpenCV 4.5+，PyQt5 5.15+，CUDA 11.0+（GPU可选）。
结果展示
图1 系统界面
图2 基线模型：无注意力
图3 CBAM注意力
图4 SE注意力
图5 ECA注意力
图6 Coord注意力
运行train_with_attention.py
图7 基线模型的损失曲线和准确率曲线
图8 CBAM模型的损失曲线和准确率曲线
图9 Coord模型的损失曲线和准确率曲线
图10 ECA模型的损失曲线和准确率曲线
图11 SE模型的损失曲线和准确率曲线
结果点评
本项目成功实现了轻量级低光照道路分割系统，在精度、效率和实用性三方面取得显著成果。CBAM注意力模型以仅4.49%的参数增加（43K参数）实现了95.54%的验证精度，相比基线模型提升1.35个百分点，证明了注意力机制在道路分割任务中的有效性。系统参数量控制在1.01M，推理速度达到15ms/帧，满足实时应用需求，适合部署到边缘设备。通过对比CBAM、SE、ECA、Coordinate四种注意力机制，验证了CBAM在精度-效率平衡上的优越性。低光照增强算法（CLAHE+Gamma校正）有效改善了夜间图像质量，PyQt5可视化界面提供了良好的用户体验。整体而言，项目在理论创新（注意力机制对比）、工程实现（轻量化设计）和实际应用（可视化系统）三个层面均达到预期目标，具备较强的学术价值和应用前景。
项目资源
包括完整的项目源代码、演示视频、运行截图，开箱即用。
关于项目
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品