摘要
针对当前深度神经网络在图像语义分割任务中存在的模型参数量大、计算成本高以及对小目标及边缘细节分割精度不足的问题，本研究提出了一种结合多尺度特征融合与轻量化设计的优化模型。通过引入改进的深度可分离卷积与注意力机制，构建轻量级骨干网络，有效降低模型复杂度。设计了一种自适应特征金字塔模块，增强模型对多尺度目标的特征提取能力，特别是提升了对细小目标及复杂边界的敏感度。在PASCAL VOC和Cityscapes数据集上进行对比实验，结果表明，优化后的模型在保持较高分割精度的参数量减少了约35%，推理速度提升了约40%。研究为在资源受限环境下的实时语义分割应用提供了可行的技术方案。
第一章 绪论
随着自动驾驶、医疗影像分析等领域的快速发展，图像语义分割技术成为计算机视觉的核心任务之一。其目标是为图像中的每个像素分配一个语义类别标签，实现对场景的精确理解。基于深度卷积神经网络的方法，如FCN、U-Net、DeepLab系列，已成为主流技术路线。现有模型普遍面临两个矛盾：一是分割精度与模型效率之间的平衡问题，高精度模型往往伴随巨大的计算开销；二是对图像中尺度变化大、边界模糊或小尺寸目标的处理能力有限。如何在保证分割性能的前提下，优化模型结构、提升推理效率并增强细节分割能力，具有重要的理论价值与应用意义。
第二章 相关工作
早期的语义分割方法主要基于手工特征和传统机器学习算法，性能受限。全卷积网络（FCN）首次实现了端到端的像素级预测，但结果较为粗糙。随后，编码器-解码器结构（如U-Net）通过跳跃连接融合深浅层特征，改善了细节恢复。DeepLab系列通过空洞卷积扩大感受野，并利用条件随机场优化边界。这些模型计算负担沉重。近年来，轻量化网络如MobileNet、ShuffleNet被用于分割任务，但直接应用常导致精度下降。多尺度特征融合方法如PSPNet、FPN通过聚合不同层级的上下文信息来提升性能，但模块设计往往增加了计算复杂度。本研究旨在整合轻量化设计与高效的多尺度融合机制，实现精度与效率的协同优化。
第三章 优化模型设计
3.1 轻量级骨干网络
采用深度可分离卷积替代标准卷积作为基础构建块，大幅减少参数量。在此基础上，嵌入通道注意力机制，使网络能自适应地校准特征通道的权重，强化重要特征并抑制冗余信息。引入残差连接以缓解梯度消失问题，确保训练稳定性。
3.2 自适应特征金字塔模块
该模块包含三个并行分支，分别对骨干网络输出的特征图进行不同比率的空洞卷积采样，以捕获多尺度上下文信息。设计了一个自适应的权重学习子网络，动态融合三个分支的输出，使模型能够根据输入图像内容调整各尺度特征的贡献度，从而更精准地处理不同尺寸的目标。
3.3 解码器与损失函数
解码器采用渐进式上采样策略，逐级恢复空间分辨率，并与编码器中相应层级的特征进行跳跃连接，补充细节信息。损失函数结合了交叉熵损失与Dice损失，前者保证整体分类准确性，后者专注于优化前景目标的分割质量，尤其有利于改善类别不平衡问题下的边界预测。
第四章 实验与结果分析
4.1 实验设置
训练使用PyTorch框架，硬件为NVIDIA RTX 3090。数据集选用PASCAL VOC 2012（20个类别）和Cityscapes（19个类别）。评价指标包括平均交并比（mIoU）、参数量（Params）和每秒帧率（FPS）。对比模型包括DeepLabv3+、PSPNet及轻量版MobileNetV2-DeepLab。
4.2 结果对比
在PASCAL VOC测试集上，本模型取得了78.5%的mIoU，参数量为15.6M，而DeepLabv3+（Xception backbone）的mIoU为79.2%，参数量为54.4M。在Cityscapes验证集上，本模型mIoU为74.8%，FPS达到32（输入尺寸512×1024），较对比模型提升显著。消融实验证实，轻量化骨干与自适应特征金字塔模块分别贡献了约60%和25%的效率提升，同时多尺度融合使小目标类别的IoU提高了约5%。
4.3 可视化分析
分割结果可视化显示，优化模型在车辆边缘、行人轮廓及远处交通标志等细节上的分割效果更加清晰连贯，错误分类的像素块明显减少，尤其在复杂街景中表现稳健。
第五章 结论
本研究提出了一种面向图像语义分割的轻量高效优化模型。通过深度可分离卷积与注意力机制降低计算负担，结合自适应多尺度特征融合增强细节感知能力，实验证明该方案能在精度损失较小的情况下显著提升模型效率。未来工作可探索更动态的网络结构搜索方法，并拓展至视频语义分割等时序任务中。