语义分割作为计算机视觉研究的重要任务之一,能够对图像进行稠密预测,即实现像素级分类。语义分割由于能够提供丰富的场景信息,而被广泛应用于诸多领域,如自动驾驶、医学病灶区域分割、虚拟现实、土地情况检测等。与传统方法相比,深度学习出于其优秀的学习能力和特征表示能力,被广泛应用于很多领域,并促进了这些领域的发展。近年来,在深度学习的推动下,图像语义分割方法取得了长足的进步,但仍存在一些问题。例如,许多语义分割方法虽然具有优秀的分割性能,但是由于网络结构过深、特征通道数庞大,导致其具有较高的计算成本和低效的分割速度。这阻碍了语义分割在实时分割领域的应用。而部分实时语义分割模型虽然拥有令人较为满意的分割速率,但分割精度仍具较大的改进空间。因此,本文旨在探究基于深度学习的实时语义分割方法,具体内容如下:本文介绍了深度学习理论、数据集和评价准则。其中深度学习理论为后续研究的理论基础,数据集和评价准则为实时语义分割中所通用的,可以对模型的性能进行评估。针对目前高精度语义分割方法无法实现语义分割在实际应用中速度要求的问题,本文提出基于注意力机制的轻量级实时语义分割方法。该方法注重对速度和精度的平衡,在速度方面,所用模型结合了深度可分离卷积、分解卷积等,目的是减少模型的参数量和计算量;在精度方面,使用了注意力机制来促进高层特征和低层特征的融合效果,以进一步提升模型的分割质量。通过以上改进,本模型在Cityscapes和Camvid数据集的测试集上mIoU指数分别达到74.8%和71.2%,且能够分别以64FPS和79FPS的速度处理分辨率为512×1024和360×480的输入图像。针对轻量化实时语义分割方法分割性能不佳,且存在上下文缺失的问题,本文提出基于多尺度特征提取的实时语义分割方法。与轻量化模型相比,本模型虽然包含更多的参数,但其仍旧保持了实时的分割速度,且进一步提升了模型的分割性能。本模型整体采用编码器-解码器结构,首先编码器由本文提出的多尺度特征提取模块搭建而成,该模块含有多个分支,且每个分支的感受野各不相同,用于提取多尺度上下文信息。同时,本模型根据下采样模块来调整特征提取模块的感受野大小,用于缩小不同层级中特征提取模块的感受野差距。最后,解码器部分使用逐步上采样的方式来恢复分辨率,并融合了浅层网络中的特征图用于引导恢复分辨率。通过以上改进,本模型在Cityscapes和Camvid数据集的测试集上mIoU指数分别达到77.2%和76.3%,且对分辨率为512×1024和384×480的输入图像的处理速度分别为66FPS和90FPS。