语义分割技术作为计算机视觉中的一个基本挑战,其任务是将输入图像中的每个像素分配到相应的分类标签。语义分割技术提供的像素级信息中包含丰富的层次特征和对象信息,是理解环境和对象之间关系的重要工具。对于城市道路场景,语义分割技术可以预测每个目标的类别、位置和形状,特别适用于需要精确估计边界的应用。例如检测道路中交通参与者、道路边界和障碍物,为自动驾驶系统提供丰富的图像信息。针对现有的语义分割模型参数过多,计算量过大等问题。本文基于扩张卷积和逆残差单元构建了面向城市道路场景的轻量级语义分割模型DINet。具体来说,使用多个扩张卷积以不同的感受野捕获多尺度信息,并使用基于深度分离卷积的逆残差单元构建轻量级模型DINet。此外,本文引入了两个全局超参数,用于调节DINet模型的参数量和计算量,进而定制不同的DINet模型以满足不同设备的计算需求。与许多先进语义分割模型相比,轻量级模型DINet在Cityscapes和CamVid数据集上的预测性能不佳。对此,本文引入全局编码模块(GEModule)和扩张解码模块(DDModule),并在此基础上提出了面向城市道路场景的先进语义分割模型GDNet。具体来说,GEModule基于全局池化层和encoding层应用于高级特征之上选择具有区分力的高级特征;DDModule基于密集连接方式和扩张卷积用于捕获具有丰富空间信息的特征。GDNet在Cityscapes和CamVid数据集上获得了优异的预测性能。