语义分割在图像的解释中起着重要的作用,对图像分析任务至关重要。语义分割是一样集分类、识别和定位于一体的任务。分类是指为每幅图像指定一个类别;检测是指对目标的定位和识别;而图像分割可以被视为像素级预测,因为它要将每个像素分类到其所属类别中。语义分割曾经也有很多基于图像处理和机器学习的方法,大部分都着眼于手工设计的技术来独立地识别每个像素点。在传统的方法中,随机森林和Boosting是最有效的策略。这些方法基于中心像素的类别概率进行预测。自深度神经网络重新出现以来,分割性能得到了显著的提高。尽管深度神经网络在语义分割任务中取得了巨大的成功,但是它的实时应用依然充满挑战。大量的特征通道、参数和浮点运算使得网络缓慢且计算量大,这对于机器人和自动驾驶等实时任务来说是不可取的。设计一个轻量级语义分割网络通常需要研究人员在性能和速度之间找到一个折衷点,由于神经网络的可解释性有限,这种折衷点通常是根据经验设定的。本文被研究并提出了一种使用深度神经网络的轻量级快速分割网络,称为阶段池化语义分割网络（Stage Pooling Semantic Segmentation Network,简称SPSSN）,该网络可以有效地重用低层或中间层多个阶段、不同空间分辨率的重要特征。本文网络主要包括三个部分:一个深层分支、一个浅层分支以及一个四阶段池化模块。深层分支提取特征并将分辨率下采样至原来的1/32。浅层分支在高分辨率上精化空间细节。阶段池化模块接收深层分支的输出,提取不同分辨率的特征,每个模块的输出都送入浅层分支。为了保证网络轻量,我们只简单地使用元素相加来融合各模块的特征。为了捕获图像中更多的上下文信息,深度分支后面接了空间金字塔池化。分割任务的图像分辨率至关重要,因此,SPSSN网络以全分辨率2048×1024的图像作为输入,仅使用1.42M参数,而无需预先训练即获得69.4%的m Io U,并且在Cityscapes数据集上的运行速度为每秒59帧。此外,SPSSN的分类准确率达到86.4%。由于它的轻量级架构,SPSSN能够直接在移动设备上实时运行。在Cam Vid上获得了64.3%的高结果,推理速度为105FPS。最后,为了证明所提出的网络的有效性,本文将其与最新的网络进行了比较。此外,我们还设计了流池化模块,该模块不仅接收深层分支的输出,还接收前面流池化模块的输出。与阶段池化模块不同的是,流池化中只有最后一个模块的输出被融入到浅层分支中。最后,为了展示提出网络的有效性,本文将与当前最新网络进行比较。