王博，陈颉颢，蒋红海

（650031 云南省 昆明市 昆明理工大学 机电工程学院）

0 引言

图像语义分割是计算机视觉中最具挑战性的问题之一，语义分割是为图像中每个像素识别并分配一个类别标签，它有着广泛的应用，如汽车自动驾驶中的环境感知[1]。近年来，卷积神经网络被发现能够从图像中自动提取出比手工制作的图像更紧凑、更有意义的特征，这类模型的代表研究工作有DeepLab[2-4]系列以及PsPNet[5]。

图像语义分割有2 种方法，一种为传统图像语义分割，另一种为基于卷积神经网络的语义分割。在这方面，Zhu[6]等人综述了全监督方法、弱监督方法和无监督方法等传统的语义分割方法；Guo[7]等人总结了各种语义分割模型的优势、劣势和主要挑战；Tian[8]等人从全监督语义分割方法和非全监督语义分割方法两方面对图像语义分割方法进行了详细综述。

烟草垄行图像分割为包含各种背景的垄行图像分割问题，即为图像多分类语义分割问题。垄行图像的变异性和丰富性使得通过先验知识来手工构建特征提取器变得困难，而神经网络算法更依赖于自动学习来提取垄行各分类的特征。本文的语义分割算法是基于卷积神经网络搭建的，两组成部分为编码器和解码器，解码器的作用是将图像中各种类别的特征进行提取，编码器的作用是根据解码器所提取出来的特征对图像的各像素点进行分类预测。

1 提出的卷积神经网络垄行语义分割模型

本文中为基于卷积神经网络搭建的垄行语义分割算法。……