程 鑫 尹四清，2 崔建功 梁昊然

（1.中北大学软件学院 太原 030051）（2.山西省军民融合软件工程技术研究中心 太原 030051）

（3.中北大学动态测试省部共建实验室 太原 030051）

1 引言

图像语义分割是将图像中每个像素按照语义信息划分类别的技术，是计算机视觉中重要的课题之一。在无人驾驶，室内导航，增强现实等领域具有广泛的应用场景。在室内场景图像语义分割领域中，由于室内场景中颜色和纹理特征差别较小、光照较差、遮挡严重、存在着交错复杂的物体等具有挑战性的问题。因此，RGB-D语义分割得到研究者们的广泛关注。

在最近几年，基于超像素分割的RGB-D图像语义分割一直是关注的焦点［1～2］，然而这种方法使用的是手工制作的特征输入到分类器中来标记每个区域。此方法步骤繁多，在计算和时间上都是密集的。基于上述的局限性以及深度学习的成功引入。尤其是基于FuseNet［3］的室内场景语义分割方法，在网络的编码器分支中，对深度通道的中间特征图与RGB通道的中间特征图进行元素求和。在编码器-解码器中使用不同策略的融合方式，例如早期融合［4］，后期融合［5］，将RGB图和深度几何信息图进行融合后作为输入。深度网络模型有助于提取低、中、高级特征。这些方法通常使用的是监督机制，需要大量的标注数据，才能正确分割。

在最近的五年中，生成式对抗网络在图像合成和图像分割的方面效果显著。随着技术的不断更新，已经有研究者提出了使用对抗网络的半监督学习方法来提高图像语义分割的分割精度［6～7］。……