王柏涵，姜晓燕，范柳伊

（上海工程技术大学电子电气工程学院，上海 201600）

0 引言

语义分割是旨在图像中每个像素分配其所属类别的标签并进行密集预测。在计算机视觉领域，图像的语义分割是一项基础且重要的任务，是当前的重要研究方向和研究热点，且在场景理解［1］、医学图像分析［2］、机器人系统感知［3］等方面具有重要应用。

近年来，卷积神经网络（CNN）以其强大的纹理特征学习能力，在多个计算机视觉任务中成为研究热点。文献［4］提出一种全卷积网络（FCN），该方法将传统的全连接层替换为卷积层，使得网络可以接受任意大小的输入图像，同时实现基于深度学习、端到端的 语义分 割流程。RONNEBERGER等［5］提出一种结构呈U 字形的语义分割网络U-Net，该方法采用编码器-解码器结构，在编码阶段使用卷积神经网络，在解码阶段通过上采样和反卷积操作逐渐将特征映射的分辨率恢复到输入图像尺寸，同时利用跳层连接，将编码器中的特征映射与解码器中的特征映射进行融合，以提高分割结果的准确性。为扩大卷积核感受野且捕捉多尺度的上下文信息，CHEN等［6］提出空洞空间金字塔池化模块，通过融合多尺度特征提升分割性能。上述经典的语义分割方法，其主干网络均采用了传统的编解码结构及其变体，通过设计不同的特征融合策略、上采样方式，有效提升语义分割的精度。

随着深度学习的发展，针对性地对现有语义分割方法进行改进。例如，针对规则物体的边缘区域分割结果不平滑问题，DHINGRA等［7］提出使用2 个图卷积网络，分别用于全局特征提取和边界细化，实现对边界区域的像素进行建模；……