1.基于数据扩充和全监督预处理的实时语义分割方法，其特征在于：对目标图像进行预处理，其中，所述预处理包括对所述目标图像处中不同光照强度的处理、对所述目标图像的参数进行归一化操作；

对所述目标图像进行细节路径处理得到特征图，其中，所述细节路径处理为N项卷积层进行卷积处理，其中N为整数；

根据所述特征图与损失函数，进行空间路径处理得到空间信息，其中，所述空间路径处理为采用不同大小的卷积核与分组卷积，并将所述可分离卷积后的所述特征图叠加融合处理；所述损失函数包括预测损失函数、辅助损失函数；

根据所述空间信息，设置注意力操作，其中，所述注意力操作包括全局平均池化、条状平均池化；

对于经所述注意力操作后的空间信息，设置特征融合操作，其中，所述特征融合操作通过使用空间路径形成的高级语义信息，指导细节路径的特征响应，从而有效地编码信息。

2.根据权利要求1所述基于数据扩充和全监督预处理的实时语义分割方法，其特征在于：所述预处理具体包括设置伽马变换，其中，所述伽马变换为：其中，γ表示所述目标图像中的直方图偏移量；mean()为所述目标图像的均值；Iout为所述目标图像的输出参数，Iin为所述目标图像的输入参数。

3.根据权利要求2所述基于数据扩充和全监督预处理的实时语义分割方法，其特征在于：

所述预处理具体还包括在经过所述伽马变换后，设置线性变化函数：Iout＝l·Iin+d

l＝exp(‑std(Iin))d＝exp(‑mean(Iin))其中，l为调节所述目标图像的图像对比度参数，d为调节所述目标图像的图像亮度参数；Iout为所述目标图像的输出参数，Iin为所述目标图像的输入参数；exp()表示指数函数，std()为所述目标图像的方差，mean()为所述目标图像的均值。

其中，可训练参数α表示对比度调节因子、可训练参数β表示亮度调节因子；l为所述目标图像的图像对比度参数，d为所述目标图像的图像亮度参数；R、G、B表示处理所述目标图像对应的三个信息编码通道；RGBout为经过预处理后得到的新三张所述特征图，RGBin表示输入的三张所述特征图。

4.根据权利要求1所述基于数据扩充和全监督预处理的实时语义分割方法，其特征在于：所述注意力操作包括：一个所述全局平均池化、两个所述条状平均池化；

其中，所述条状平均池化的大小分别为(1*W)、(H*1)，(H,W)为输入所述特征图的尺寸；

其中，fin表示所述特征图的输入特征值，fout表示所述特征图的输出特征值；ki为可训练参数；对于所述全局平均池化，mean()表示全局平均值；对于所述条状平均池化，mean()表示条状平均值。

5.根据权利要求1所述基于数据扩充和全监督预处理的实时语义分割方法，其特征在于：所述实时语义分割方法还包括数据增强处理，所述数据增强处理具体包括：待插入小目标与所述目标图像进行直方图匹配；

确定所述待插入小目标具体信息；

根据所述待插入小目标具体信息，确定插入位置。

6.根据权利要求1所述基于数据扩充和全监督预处理的实时语义分割方法，其特征在于：所述损失函数为：

loss＝A·predict_loss+B·auxiliary_loss其中，A表示预测损失presdict_loss的损失权重，B表示所述多个辅助损失auxiliary_loss的损失权重。