罗嗣卿，张志超，岳 琪

（东北林业大学信息与计算机工程学院，哈尔滨 150040）

0 概述

在传统的计算机视觉领域中，研究人员需要通过手动或统计的方式寻找图像中具有代表性的区域或像素点，并根据这些区域或像素点构建对该图像的全局描述特征。而利用全局描述特征解决图像分类和目标检测等计算机视觉问题时，典型的全局描述特征鲁棒性不强，且当光照、视角、明暗以及纹理等发生改变时，描述特征将会随之改变甚至失效。针对该问题，卷积神经网络为其提供一种新的特征构造方式，通过大量的训练样本寻找最佳特征构造方式，并利用这种构造方式对每张图像进行特征建模。因为有大量训练样本的支持，所以使用卷积神经网络得到的特征相比传统的全局描述特征更加稳定，并且对光照和视角等条件更加鲁棒。因此，卷积神经网络逐渐取代了传统方法，并在计算机视觉子领域中得到广泛应用。

图像语义分割作为计算机视觉领域的主要分支，受到了国内外研究人员的广泛关注。在应用于无人驾驶时，图像语义分割技术可自动划分出汽车在行驶过程中需要避让的行人、路障和其他汽车等障碍，良好的语义分割效果促进了自动驾驶技术的快速发展。

目前，国内外研究人员在图像语义分割方面已取得显著的研究成果。文献［1］将深度学习技术引入至图像语义分割领域中，并提出了著名的FCN 结构。该方法利用全卷积神经网络自动对图像进行编码，且端到端的训练方式简化了语义分割问题过程，得到准确率更优的结果。……