Genaues und schnelles Szenenverstehen ist eine der herausfordernden Aufgaben für autonomes Fahren, die es erfordert, LiDAR-Punktwolken vollständig zu nutzen, um semantische Segmentierung durchzuführen. In dieser Arbeit stellen wir ein \textbf{kompaktes} und \textbf{effizientes} bildbasiertes semantisches Segmentierungsnetzwerk vor, das als \textbf{CENet} bezeichnet wird. Um die deskriptive Kraft der gelernten Merkmale zu verbessern und die rechnerische sowie zeitliche Komplexität zu reduzieren, integriert unser CENet in seine Architektur Konvolutionen mit größeren Kerngrößen anstelle von MLPs (Multi-Layer Perceptrons), sorgfältig ausgewählte Aktivierungsfunktionen und mehrere sekundäre Segmentierungsheader mit entsprechenden Verlustfunktionen. Quantitative und qualitative Experimente auf öffentlich verfügbaren Benchmarks, nämlich SemanticKITTI und SemanticPOSS, zeigen, dass unser Pipeline eine deutlich bessere mIoU (mean Intersection over Union) und Inferenzleistung bietet im Vergleich zu den besten bisherigen Modellen. Der Code wird unter https://github.com/huixiancheng/CENet zur Verfügung gestellt.