随着深度学习在计算机视觉领域的发展,基于深度卷积神经网络(CNN)的语义分割算法也取得了巨大的进步。图像语义分割在医学图像处理、地理信息系统、自动驾驶、机器人视觉等方面都具有广泛应用,这项技术受到了学者们越来越广泛的关注。图像语义分割任务是检测并标注出图像中的目标物体,描绘出每个物体的边界,最终得到一幅具有像素级语义标注的分割图像。图像语义分割技术主要包括基于传统特征提取的方法和基于深度学习的方法。基于深度学习的语义分割方法主要存在两个难点:(1)语义分割不仅仅要实现像素级分类,还要实现对前景目标的定位,由于卷积神经网络自身固有的平移不变性,这种对空间的不敏感特性,使得网络对前景目标的定位比较困难。(2)卷积神经网络中不断的下采样操作,使输出的特征图分辨率越来越小,信息丢失严重,导致像素点分类不准确。针对上述的问题,本文主要做了以下工作:1.为了使前景目标的定位更加精确,在现有的Deep Lab V3+网络中引入了注意力机制模块(Convolutional Block Attention Module,CBAM),提出了Attention-Deep Lab分割网络。CBAM模块分别学习特征图的通道注意力和空间注意力,通道注意力可以强调每个特征图中重要的细节特征,空间注意力可以更好地帮助网络定位目标的位置。通过引入注意力机制模块,Attention-Deep Lab达到了更加精细的分割效果。2.为了实现更精确的像素分类,本文提出了间隔余弦损失函数,为每个类别引入余弦间隔。现有的语义分割模型通常都使用传统的softmax loss作为损失函数训练网络,然而softmax loss仅仅关注类间间隔,而忽略类内方差。相比于传统的softmax loss,基于间隔的余弦损失函数不仅仅优化类间距离,同时优化类内距离,使得不同类别之间的决策边界更加鲁棒。3.本文在一些公开的基准数据集上(PASCAL VOC 2012、Cityscapes、ADE20K)进行了充分的实验,分析了每一个模块的效果,实验结果表明本文提出的方法取得了更加优异的性能。