王振奇，邵 清，张 生，杨 振，何国春

（1.上海理工大学光电信息与计算机工程学院，上海 200093；2.上海外高桥造船有限公司工艺研究所，上海 200120）

引 言

图像语义分割是计算机视觉范畴中一个重要的研究方向。研究初期，图像语义分割主要依靠人工标注特征［1⁃3］，但是此类方法过于依赖研究人员的主观判断，难以广泛表达图像特征，在实际应用过程中具有相当大的局限性。随着深度学习技术的发展，基于深度卷积网络［4］的图像分割应运而生并得到广泛应用。文献［5］采用全卷积神经网络（Fully convolution network，FCN）进行像素级别分类和端到端的分割，此网络可以达到在接收不同尺寸图像的同时极大地提高分割效率，但仍存在分割不准确的问题。文献［6］提出新的分割网络SegNet，在全卷积网络的基础上增加了解码器，将模型明确划分成编码网络和解码网络，形成目前分割任务中普遍盛行的编解码结构。文献［7］提出反卷积网络，网络中上采样的方法是学习一个与卷积网络成镜像结构的反卷积网络，该网络较好地解决了简单上采样方法所导致的信息丢失问题。文献［8］提出U⁃Net分割网络，采用U形结构得到高效的全卷积神经网络，可以实现仅对少量图片训练达到较高的准确率，在医学图像分割上表现较为突出。文献［9］提出PSPNet分割网络，运用空间金字塔池化（Spatial Pyramid pooling，SPP）辅助实现背景融合的同时利用基于相异像素块的前后文聚集，充分发挥整体综合信息的能力从而产生优异的分割效果。文献［10］提出DeepLab V2分割网络，首次采用ASPP模块提高了特征信息的保有程度，进一步提高分割的准确度。……