深度卷积神经网络是计算机视觉领域非常有效的方法。海量增长的图像数据和日

深度卷积神经网络是计算机视觉领域非常有效的方法。海量增长的图像数据和日益普及的智能设备都要求快速、准确地理解图像的内容，并自动分割识别出图像中的目标物体。图像分割的任务是在给定的图像中检测出是否包含某类目标物体，并标注出图像中每个像素所属的对象类别，描绘出每个物体的边界，最终获得一幅具有像素语义标注的分割图。图像中目标物体的检测与分割对于计算机视觉的发展具有十分重要的意义，在实际的工程应用中也具有较高的实用价值，当前国内外发表了很多关于图像分割算法的优秀研究成果，但将其应用到实际的操作过程中时发现，仍然存在较多的问题，如目标物体在部分物体重叠遮挡、光照强度、背景干扰等因素的影响下，很难获得理想的分割精度。本文算法基于深度卷积神经网络，在 Deeplabv3-plus 网络模型的基础上进行了改进。采用基于互质因子的空间空洞金字塔池化模块，以减缓网格效应，并减小图像空间结构信息损失对语义分割精度的影响，从而提升了分割精度。

深度卷积神经网络是计算机视觉领域非常有效的方法。 海量增长的图像数据和日益普及的智能设备都要求快速、准确地理解图像的内容，并自动分割识别出图像中的目标物体。 图像分割的任务是在给定的图像中检测出是否包含某类目标物体，并标注出图像中每个像素所属的对象类别，描绘出每个物体的边界，最终获得一幅具有像素语义标注的分割图。 图像中目标物体的检测与分割对于计算机视觉的发展具有十分重要的意义，在实际的工程应用中也具有较高的实用价值，当前国内外发表了很多关于图像分割算法的优秀研究成果，但将其应用到实际的操作过程中时发现，仍然存在较多的问题， 如目标物体在部分物体重叠遮挡、光照强度、背景干扰等因素的影响下，很难获得理想的分割精度。 本文算法基于深度卷积神经网络，在 Deeplabv3-plus 网络模型的基础上进行了改进。 采用基于互质因子的空间空洞金字塔池化模块，以减缓网格效应，并减小图像空间结构信息损失对语义分割精度的影响，从而提升了分割精度。

Deep convolution neural network is a very effective method in the field of computer vision. With the rapid growth of image data and the increasing popularity of intelligent devices, it is required to understand the content of the image quickly and accurately, and automatically segment and recognize the object in the image. The task of image segmentation is to detect whether a certain kind of object is included in a given image, mark the object category of each pixel in the image, describe the boundary of each object, and finally obtain a segmentation image with pixel semantic annotation. The detection and segmentation of the object in the image is very important for the development of computer vision, and also has high practical value in the actual engineering application. At present, many excellent research results about the image segmentation algorithm have been published at home and abroad, but when it is applied to the actual operation process, it is found that there are still many problems, such as the object in some objects It is difficult to obtain the ideal segmentation accuracy under the influence of the factors such as volume overlapping occlusion, light intensity, background interference and so on. This algorithm is based on the deep convolution neural network, and is improved on the basis of deeplabv3 plus network model. In order to slow down the grid effect and reduce the impact of the loss of spatial structure information on the semantic segmentation accuracy, the spatial void pyramid pooling module based on the mutual quality factor is used to improve the segmentation accuracy.<br>