语义分割,作为一种像素级的分类任务,需要大量的计算和参数才能获得较高的性能。近年来,由于对自动系统和机器人的需求日益增大,使得在计算有限的移动设备中保持网络分割精度和推理速度之间的平衡具有重要的意义。针对这样的困境,本文提出了轻量级U型网络(LUNet)。首先,为了保证分割精度,该网络采用主流的编码器-解码器结构搭建,使得解码器可通过逐步恢复空间信息来捕获到清晰的物体边界信息,以此细化分割结果。其次,为了加快推理速度,编码器中的特征提取网络采用ESPNet V2搭建,借此高效的提取图像语义特征。解码器采用本文提出的分类模块搭建,该模块首先利用逐点卷积降低待融合编码器特征图通道维度,从而大幅度降低模块特征融合时的计算量和模块参数量,之后,再以逐元素相加的方式将降维后编码器特征图与解码器中该层次得分图中的特征融合,以此细化该层次得分图物体边界。最后,利用该分类模块所搭建的解码器参数量仅仅只有8264个,仅占网络整体参数量的1.1%。极少的参数量使得解码器计算量大大降低,从而加快了网络推理速度。实验结果表明,提出的LUNet在速度和精度之间达到了平衡,它仅使用了76.4万参数在Cityscapes测试集上实现了64.1%m Io U,以及能够在单个GTX 1080Ti GPU中以83 FPS的速度运行。它与采用相同特征提取网络的ESPNet V2相比时,能保持相同推理速度,并带来了2个百分点的m Io U提升。为了获得相似物体辨识能力更强的网络,本文通过对LUNet存在的混淆分类问题分析发现,其解码器对已发生的混淆分类纠正能力不足,针对于此本文提出了全新的切片连接注意力模块。它首先利用切分子结构对解码器各层次得分图特征进行增强,使得每个类别得分图具有三种状态,这三种状态包含了它们与对应编码器特征融合时的所有情况,其中的某一种状态为它们采用正确特征融合方式所生成的正确得分图,为了选出它们的正确得分图,该模块利用基于通道注意力机制的学习子结构,自动地学习每个类别的三种状态得分图中的重要性信息,后利用这些信息选出正确得分图,从而逐解码器网络层对混淆分类问题纠正。实验结果表明,通过该模块替换LUNet中的分类模块而搭建的轻量级切分连接注意力网络(SCANet),仅使用了76.6万参数在Cityscapes测试集上实现了64.6%m Io U,以及能够在单个GTX 1080Ti GPU中以66 FPS的速度运行。它以牺牲少量的推理速度为代价,有效的解决了混淆分类问题以及比相同参数数量级优秀网络具有更强的相似物体辨识能力。