本文聚焦于实时语义分割这一具有挑战性的任务。该任务虽在实际应用中具有广泛前景，但其核心难点在于如何大幅减少用于像素级标签推断的计算量。为此，我们提出了一种图像级联网络（ICNet），通过在合理的标签引导下引入多分辨率分支，以应对这一挑战。本文对所提出的框架进行了深入分析，并提出了级联特征融合单元，以实现快速且高质量的分割效果。所提出的系统在单张GPU上即可实现实时推理，在Cityscapes、CamVid和COCO-Stuff等具有挑战性的数据集上均取得了良好的评估结果。