卷积神经网络（CNN）由于其固定的网格核结构，处理几何信息的能力有限。深度数据的可用性使得利用CNN在RGB-D语义分割方面取得了进展。现有的最先进方法要么将深度作为附加图像使用，要么在三维体素或点云中处理空间信息。然而，这些方法面临着高计算成本和内存消耗的问题。为了解决这些问题，我们提出了一种深度感知CNN，通过引入两种直观、灵活且有效的操作：深度感知卷积和深度感知平均池化。通过在信息传播过程中利用像素之间的深度相似性，几何信息被无缝地融入到CNN中。这两种操作无需引入任何额外参数，可以轻松集成到现有的CNN架构中。我们在具有挑战性的RGB-D语义分割基准上进行了广泛的实验和消融研究，验证了我们方法的有效性和灵活性。