语义分割任务,是对输入的一张图片进行像素级的分类。与图片分类、目标检测等视觉任务相比,语义分割需要更精准的定位和分类能力,其效果直接影响后续的图像理解或场景感知效果。因此语义分割任务一直是计算机视觉的研究热点。目前主要的应用场景在于自动驾驶领域的场景感知,以及娱乐领域中使用的人像分割任务。近几年,随着深度学习技术的发展,以及硬件设备有了长足的进步。计算机视觉任务的各项性能都获得了快速发展,在语义分割领域,不仅可以端到端输出分割结果,而且准确度远高于传统的视觉方法。本文使用基于卷积神经网络的深度学习技术,对语义分割任务进行进一步探究,其中主要任务是探究使用轻量卷积神经网络进行语义分割的任务研究。目前性能靠前的语义分割模型大多依赖于以大型卷积神经网络作为特征提取的手段,这种方法往往需要更大的参数量以及运算量。这就导致了基于卷积神经网络的语义分割模型需要更大的运算成本,不利于用在低运算成本设备,如移动端、嵌入式设备。如何减少参数存储量以及运算成本成为了语义分割模型落地各项产业的必要问题。本文将对此进行探究。首先,在关于轻量级卷积神经网络的研究中,我们对当前的主流神经网络进行调研。我们提出了一种高效的特征提取网络,通过对现有经典网络的结构分析,重新设计其中的部分模块,提高卷积神经网络的效率,减少大量不必要的运算量。特别地,针对经典网络Dense Net的结构,我们将浅层部分的网络替换,通过使用逐元素相加而非特征图拼接的特征复用方式,减少了特征图扩张带来额参数量和运算量;另一方面,我们提出了新的双路下采样方式,在从而减少其参数量;最后,我们针对Dense Net采用的前置激活结构进行修改,使得在模型训练完成后可以通过后处理优化进一步加速模型推理。其次,在关于语义分割领域里的特征融合后处理的实验中,我们分析了当前热门的特征金字塔结构(Feature Pyramid Network),提出了更加高效的特征恢复金字塔模型(Feature Pyramid Refine Network),增强特征的判别性能。其中,我们使用高效的特征复用方式,通过使用带不同空洞率的空洞卷积固定每一层特征的感受野,使得在特征融合中,特征图在恢复大物体细节体征的同时会检测小物体的特征;同时我们使用级联的分割模型,将特征融合金字塔中的各层特征进行重用,以保证各层特征都可以为最终的预测做出贡献。最终,我们在City Scapes数据集的测试集上获得了69.7%的m Io U性能,并且整个模型的运行时间在96帧每秒。和经典的ENet相比,我们的性能有了10%的精度提升,而速度仍然维持在实时条件下(大于24帧)。