近年来,卷积神经网络凭借其良好性能被广泛应用于图像语义分割领域,基于全卷积神经网络的语义分割算法在图像语义分割上取得了卓越成就。但当前具有较高性能的语义分割网络通常具有复杂的网络结构和较大的网络参数量和计算量,很难应用到嵌入式设备和可移动式设备等对实时性具有较高要求的应用场景。本文综合考虑了网络的参数量、运行速度和性能,提出了一种基于多级特征并联的轻量级图像语义分割网络,该网络在具有很好的实时性的同时取得了良好的性能效果。具体来说,本文算法的具体工作如下:本文实现了基于多级特征并联的轻量级图像语义分割算法。本文提出的网络结构选取了轻量级的特征提取网络作为基准网络结构,改善了当前语义分割算法中普遍应用具有较深网络深度和较宽网络宽度的网络作为特征提取基准网络而导致的参数量大计算量大的不足。此外,为了在减少网络规模的同时保证网络的分割精确度,本文算法还提出了空洞残差增强(Atrous Residual Feature Refine Module,AR)模块和深度空洞空间金字塔(Deep Atrous Spatial Pyramid Pooling Module,DASPP)模块。AR模块由两个残差分支组成,用于对浅层特征不同规模大小目标的边缘轮廓信息进行加强处理。DASPP模块由加深的具有不同感受野大小的空洞卷积组成,用于对深层特征不同规模大小的目标语义信息进行加强处理。本文提出的基于多级特征并联的轻量级图像语义分割算法与现有语义分割算法相比,更好的兼顾了语义分割精确度和实时性能,能够在保证分割精确度的同时,更好的应用在具有实时性要求的移动设备和嵌入式设备等应用场景。