摘要：深度學习在图像语义分割方面有着广泛的应用，能够提高计算机对图像的理解和识别能力，同时在自动驾驶、医学影像等领域具有重要作用。然而，其现有算法还存在一些缺陷，如预测结果不连续、精度不高等。因此，文章基于深度学习技术以DccpLab V3+框架为研究对象，探究其基本原理和核心架构．并基于Xccption提出一种改进型DccpLab V3+框架，以解决预测结果不连续、下采样导致特征图信息丢失等问题，从而提高分割的精度。该研究使用Cityscapcs数据集进行实验验证．并将改进的框架与初始的DccpLab V3+框架进行了比较。实验结果表明，该方法在平均交并比方面表现更优，提高了2.82%的分割精度。

关键词：DccpLab；Xccption；语义分割；Cityscapcs

中图法分类号：TP391 文献标识码：A

１ 概述

随着海量图像数据的不断涌现，计算机视觉成为当前计算机专业研究的热门方向。目前，计算机视觉研究的主要研究领域包括图像分类［１］ 、目标检测与识别［２］ 以及语义分割［３］ 等。其中，语义分割是指对原图像中每个像素点所属的类别概率进行预测，并将不同类别的像素点用不同颜色进行标识。语义分割在自动驾驶领域中可以实现对道路场景的自动识别，在医学影像中可以辅助医生的决策和诊断，在农机自动化中能够实现农业设备的路径识别导航等。

２０１４ 年，谷歌团队提出了ＤｅｅｐＬａｂ 系列模型，在此之前，深度卷积神经网络已被广泛应用于目标检测和图像分类等研究领域。但是，深度卷积神经网络在图像语义分割领域有着难以克服的缺陷。比如，卷积神经网络中的池化层在进行下采样时会导致图像的分辨率降低、使图像中的空间位置信息偏差较大等。

为解决这些问题，本文研究了基于ＤｅｅｐＬａｂ Ｖ３＋框架的图像语义分割算法并提出了改进型框架。首先，本文探究了ＤｅｅｐＬａｂ Ｖ３＋框架的基本原理和模型结构，然后，将Ｘｃｅｐｔｉｏｎ 作为ＤｅｅｐＬａｂ Ｖ３＋框架的图像特征提取网络，最后使用Ｃｉｔｙｓｃａｐｅｓ 街景数据集进行了模型验证。实验结果表明，改进后的ＤｅｅｐＬａｂ Ｖ３＋框架比原算法在分割精度ＭＩｏＵ 方面提高了２．８２％。

２ 基于ＤｅｅｐＬａｂ 模型的图像语义分割方法

２．１ ＤｅｅｐＬａｂＶ３＋模型结构

ＤｅｅｐＬａｂ Ｖ３＋模型是在ＤｅｅｐＬａｂ Ｖ３ 模型的基础上进行优化而来的，该模型结合了编码⁃解码型算法多方面的优势。ＤｅｅｐＬａｂ Ｖ３＋模型中的编码器和解码器２ 个模块使它能够更好地平衡精度和时间。