双分支网络架构在实时语义分割任务中已展现出高效性与有效性。然而，直接融合高分辨率细节信息与低频上下文信息存在明显缺陷：细节特征容易被周围上下文信息所淹没，导致“超调”现象，从而限制了现有双分支模型分割精度的进一步提升。本文首次将卷积神经网络（CNN）与比例-积分-微分（PID）控制器建立关联，揭示出双分支网络等效于一个比例-积分（PI）控制器，而此类控制器本身固有地存在类似超调问题。为缓解该问题，本文提出一种新型三分支网络架构——PIDNet，该架构包含三个分支，分别用于解析细节信息、上下文信息与边界信息，并引入边界注意力机制，指导细节分支与上下文分支的融合过程。所提出的PIDNet系列模型在推理速度与精度之间实现了最佳平衡，在Cityscapes与CamVid数据集上，其精度均超越了所有具有相近推理速度的现有模型。具体而言，PIDNet-S在Cityscapes数据集上实现了78.6%的mIOU，推理速度达93.2 FPS；在CamVid数据集上，mIOU达到80.1%，推理速度高达153.7 FPS。