1.一种提高图像分割运行速率的方法，包括如下步骤：

步骤一，设计多尺度空洞卷积核；

为了解决通过采用传统卷积和最大池化方法来增大感受野的难题，采用了空洞卷积核，在基于传统的卷积核上增大采样率rate，将原始卷积核变得“蓬松”；

这样在保持原有计算量的同时，增大了感受野，使得图像分割的信息足够精确，则基于空洞卷积核的感受野大小计算公式为式中：F为当前层感受野大小；rate为空洞卷积核的采样率，即间距数，可将传统卷积核的rate视为1，而空洞卷积的采样率rate视为2；传统的卷积感受野计算公式为式中：Fi-1为上一层的感受野大小；ki为第i层的卷积核或池化核大小；n为卷积总层数；

si为第i层卷积核的卷积步长Stride；

借鉴多尺度图像变化的思想来设计多尺度空洞卷积，对采样率、卷积核大小进行多样化处理，从而能够适应不同大小目标的特征提取过程；多尺度空洞卷积的计算为式中：y[i]为第i个步长位置对应的卷积求和结果；K为卷积核；k为卷积核内参数坐标位置，k∈K；w[k]为卷积核权重；rate为采样率，可取1，2，3的对应值；

步骤二，设计通道卷积网络；

由于传统的卷积方式都是一种升维操作，因此一开始采用通道卷积的方式来达到特征卷积降维的作用；首先，将传统的卷积改成两层卷积，类似于ResNet中的group操作，这种新结构在不影响准确率的前提下缩短计算时间约为原来的1/8，减少参数量约为原来的1/9，并且能够很好的应用于移动端，实现目标的实时检测，模型压缩效果明显；

对于传统的卷积而言，假设输入的特征通道数为M；卷积核的宽或高分别为Dk或Dk；卷积核的数量为N；则卷积每滑动一次某一位置就有N个M·Dk·Dk的参数量，滑动的步长设置为s；则滑动后的图像尺寸大小计算公式为式中：h'，w'为卷积后的高和宽；pad为宽高填充的边界；因此，h'·w'卷积后尺寸某一点对应N个M·Dk·Dk的参数量，则可得到总的参数量大小为N·M·Dk·Dk·h'·w'   (6)

而采用改进后的通道卷积方式，其卷积步骤分为两步：

1)采用Dk·Dk·M的卷积分别对M个通道进行卷积；采用同样的步长s进行滑动，卷积后的尺寸大小为h'，w'，则该步骤产生的参数量为Dk·Dk·M·h'·w'   (7)

2)设置1·1·N的卷积核进行升维特征提取；此时采用步长为1的方式对上述结果得出的特征图进行再次特征提取，原有M个通道特征，每一个采用N个卷积核进行特征提取，则计算的总参数量大小为M·N·h'·w'·1·1   (8)

综合这两个步骤的卷积结构，得到通道卷积最后的参数量大小为

Dk·Dk·M·h'·w'+M·N·h'·w'   (9)

如前所述，传统卷积核的参数量和改进后的通道卷积参数量比较大小为

从式(10)分析可得，通道卷积操作将参数量降低；

步骤三，设计全卷积连接与反卷积网络；

传统的网络结构最后层采用固定的尺寸大小，以至于输入的图片需事先转化为固定尺寸，不利于物流车辆车长坐标的获取；并且传统全连接层网络存在确定的位数空间坐标丢失，导致图像空间信息失真，未能有效对目标进行精确定位；为解决信息丢失问题，采用了全卷积连接方式对图片中特征的位置坐标进行精确定位；

传统网络的全连接将前部分的卷积网络[b,c,h,w]转为[b,c·h·w]，即[b,4096]，再转为[b,cls]，其中b表示批次batch size大小，cls表示类别数；而采用全卷积网络是相对于后接1×1的卷积网络，没有全连接层；因此，称为全卷积网络；全卷积的计算方法为式中：1≤n≤N；yn[i][j]为第n个卷积核的第(i,j)位置卷积后的数值；si为横向的卷积步长；sj为纵向的卷积步长；kn为第n个卷积核；Dk为卷积核宽和高，卷积核大小对应步骤2中的Dk·Dk；δi，δj为该卷积核中的位置，该层总共有N个不同类型的卷积核，0≤δi,δj≤Dk，而卷积核的滑动卷积操作可转为两个矩阵相乘操作；对应图像的像素与卷积的结果可表示为其中：左边的矩阵维度为[N,M·Dk·Dk]；右边的矩阵维度为[M·Dk·Dk,w′·h′]；卷积后的维度为[N,w′·h′]；右边的矩阵中I为img，其下标依次为像宽和像高，即Iwh；

最后通过反卷积操作，将[N,w′·h′]转为输入时的图像大小，这样可以精确的识别每一像素代表的具体语义信息，且避免了空间信息损失；反卷积的具体操作，相当于卷积的逆运算，即式中：k1，…，kN个卷积核对应的权值由原来的 变化为 该权值是

通过训练调整后的权值大小，具有图像语义信息特征的权值。