语义分割是计算机视觉中的一项重要研究,而本文将语义分割方法应用于人物前景和背景分离的任务中,重点研究了丰富多变的背景下人像前景的提取,主要用于淘宝试衣模特的背景替换、商场中自拍器中的背景编辑(背景去除、背景虚化和背景替换)等领域。语义分割的鼻祖全卷积神经网络FCN具有参数少、网络结构简单等优势,本文以此为基础进行改进。首先使用FCN进行实验,发现实验效果有局部分类错误和锯齿效应,根据实验结果进行理论推导并重新设计新的网络结构,基于FCN的网络结构,在横向和纵向连接方式上分别进行改进,并将改进后的网络结构命名为FCN’。根据实验表明,新的网络结构能够生成清晰连续的人像前景Mask。在解决了局部分类错误和锯齿效应后,通过分析icome数据集和LIP数据集,发现某些人物图像出现“空间不一致性”的问题,且此类图片各占30%与15%左右。针对该问题,本文通过对非局部Non Local操作和自我注意力Self-attention的分析,设计了基于点的空间注意力模块,将原始像素间的单向信息流改为了双向信息流。与当前识别人像精度较高的PSP网络相比,客观上的精度指标mIoU和pixAcc均提高了3%左右,主观视觉上解决了空间不一致性问题,边缘更加自然清晰;与生成与对抗神经网路相比,不会出现噪声块现象。由于使用了注意力机制,使得网络复杂度增加,与现有的PSP神经网络相比,空间和时间复杂度并没有显现出十分的优势。为了实现网络更快的计算目标,基于对结构化注意力的分析,提出了注意力交叉分组的计算方法,将原有的注意力密集矩阵分解为两个稀疏矩阵的乘积,并且考虑到了所有像素的位置信息,精度提升了1%左右,对于本任务中的小尺寸特征图,时间和空间复杂度降低了18%左右;而在大尺寸特征图中,时间和空间复杂度降低幅度较为明显。本文使用了不同的网络结构进行对比实验,在多个数据集上证明了本方法在精度和性能方面有了一定的提升,同时本文在实际项目中起到了引导性的作用。