| 网络名 | 作者 | 父辈 | 生辰 | 简述 | 增加的结构 | 丢弃的结构 | 优势 | 劣势 | Caffe实现 | Tensorflow实现 |
|---|---|---|---|---|---|---|---|---|---|---|
| VGG16 | FCN的灵感来源 | |||||||||
| FCN | J.Long | VGG16 | 2014 | 图像分割鼻祖 | 一个Deconv层(从无到有) | 所有fc层 | 简单 | 粗糙 | ||
| DeconvNet | H.Noh | FCN | 2015 | Unpooling层（从无到有）、多个Deconv层（层数增加）、fc层（从无到有） | ||||||
| SegNet | Vijay Badrinarayanan | DeconvNet | 2016 | 每个max_pooling的max索引 | 所有fc层 | |||||
| DeepLab | FCN | |||||||||
| PSPNet | ||||||||||
| Mask-RCNN | 2017 | 源代码尚未开源 | 真正做到像素级 |
Image Segmentation（图像分割）族谱
FCN
DeepLab
DeconvNet
- SegNet
PSPNet
Mask-RCNN
按分割目的划分
普通分割
将不同分属不同物体的像素区域分开。
如前景与后景分割开，狗的区域与猫的区域与背景分割开。语义分割
在普通分割的基础上，分类出每一块区域的语义（即这块区域是什么物体）。
如把画面中的所有物体都指出它们各自的类别。实例分割
在语义分割的基础上，给每个物体编号。
如这个是该画面中的狗A，那个是画面中的狗B。