Obstacle map estimation based on efficient semantic segmentation networks is promising for improving the environmental awareness of unmanned surface vehicles (USVs). However, existing networks perform poorly in challenging scenes with small obstacles, scenery reflections, boat wakes, and visual ambiguities caused by unfavorable weather conditions. In this paper, we address the small obstacle segmentation problem by learning representations of obstacles at multiple scales. An efficient multistage feature aggregation (MFA) module is proposed, which utilizes fully separable convolutions of different sizes to capture and fuse multiscale context information from different stages of a backbone network. In addition, a novel feature separation (FS) loss function based on Gaussian mixture model is presented, which encourages the MFA module to enforce separation among different semantic features, thereby providing a robust and discriminative representation in various challenging scenes. Building upon the MFA module and the FS loss function, we present a fast multistage feature aggregation and semantic feature separation network (FASNet) for obstacle map estimation of USVs. An extensive evaluation was conducted on a challenging public dataset (MaSTr1325). We validated that various lightweight semantic segmentation models achieved consistent performance improvement when our MFA module and FS loss function were adopted. The evaluation results showed that the proposed FASNet outperformed state-of-the-art lightweight models and achieved 96.71% mIoU and > 1.5% higher obstacle-class IoU than the second-best network, while running over 58 fps.

基于有效语义分割网络的障碍物图估计有望改善无人水面车辆（USV）的环境意识。但是，现有的网络在具有挑战性的场景中表现不佳，这些场景中存在障碍物少，风景反射，船停水以及由不利的天气状况引起的视觉模糊性。在本文中，我们通过学习多尺度障碍物的表示来解决小障碍物分割问题。提出了一种有效的多阶段特征聚合（MFA）模块，该模块利用不同大小的完全可分离卷积来捕获和融合来自骨干网络不同阶段的多尺度上下文信息。此外，提出了一种基于高斯混合模型的新颖特征分离（FS）损失函数，这鼓励MFA模块在不同的语义特征之间进行分隔，从而在各种具有挑战性的场景中提供强大而有区别的表示。基于MFA模块和FS损失函数，我们提出了一种用于USV障碍物地图估计的快速多级特征聚合和语义特征分离网络（FASNet）。对具有挑战性的公共数据集（MaSTr1325）进行了广泛的评估。我们验证了采用我们的MFA模块和FS损失函数后，各种轻量级语义分割模型均实现了一致的性能改进。评估结果表明，提出的FASNet优于最新的轻量级模型，并达到96.71 从而在各种具有挑战性的场景中提供有力且有区别的表示。基于MFA模块和FS损失函数，我们提出了一种用于USV障碍物地图估计的快速多级特征聚合和语义特征分离网络（FASNet）。对具有挑战性的公共数据集（MaSTr1325）进行了广泛的评估。我们验证了采用我们的MFA模块和FS损失函数后，各种轻量级语义分割模型均实现了一致的性能改进。评估结果表明，提出的FASNet优于最新的轻量级模型，并达到96.71 从而在各种具有挑战性的场景中提供有力且有区别的表示。基于MFA模块和FS损失函数，我们提出了一种用于USV障碍物地图估计的快速多级特征聚合和语义特征分离网络（FASNet）。对具有挑战性的公共数据集（MaSTr1325）进行了广泛的评估。我们验证了采用我们的MFA模块和FS损失函数后，各种轻量级语义分割模型均实现了一致的性能改进。评估结果表明，提出的FASNet优于最新的轻量级模型，并达到96.71 对具有挑战性的公共数据集（MaSTr1325）进行了广泛的评估。我们验证了采用我们的MFA模块和FS损失函数后，各种轻量级语义分割模型均实现了一致的性能改进。评估结果表明，提出的FASNet优于最新的轻量级模型，并达到96.71 对具有挑战性的公共数据集（MaSTr1325）进行了广泛的评估。我们验证了采用我们的MFA模块和FS损失函数后，各种轻量级语义分割模型均实现了一致的性能改进。评估结果表明，所提出的FASNet优于最新的轻量级模型，并达到96.71速度超过58 fps时，比第二好的网络高％ mIoU，并且障碍类IoU高出1.5 ％以上。