图像分割
图像分割是预测图像中每一个像素所属的类别或者物体。基于深度学习的图像分割算法主要分为两类：
- 语义分割（Semantic Segmentation）
为图像中的每个像素分配一个类别。
- 实例分割（Instance Segmentation）
与语义分割不同，实例分割只对特定物体进行类别分配，这一点与目标检测有点相似，但目标检测输出的是边界框和类别，而实例分割输出的是掩膜和类别。
FCN
原文链接：Fully Convolutional Networks for Semantic Segmentation：https://openaccess.thecvf.com/content_cvpr_2015/papers/Long_Fully_Convolutional_Networks_2015_CVPR_paper.pdf
FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。FCN可以接受任意尺寸的输入图
像，采用反卷积层对最后一个卷积层的f eat ure map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。
U-Net
原文链接：U-Net: Convolutional Networks for Biomedical Image Segmentation：https://arxiv.org/pdf/1505.04597.pdf
- 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。
- 拼接
- 上采样部分，也叫扩张网络，图片尺寸变大，提取的是深层信息，使用了四个上采样，在上采样的过程中，图片的通道数是减半的，与左部分的特征提取通道数的变化相反。
SegNet
原文链接：SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7803544
SegNet架构包括编码器、解码器、编码-解码结构和反卷积-上采样-下采样结构。编码器使用VGG16的前13层卷积网络，每个编码器层都对应一个解码器层。在解码器处，执行上采样和卷积。最终解码器的输出被送入softmax分类器以独立的为每个像素产生类概率。
DeepLab
论文原文：SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFS：https://arxiv.org/pdf/1412.7062.pdf
DeepLab 是结合了深度卷积神经网络（DCNNs）和概率图模型的方法。针对信号下采样或池化降低分辨率，DeepLab 是采用的 atrous（带孔）算法扩展感受野，获取更多的上下文信息。
DeepLab 采用完全连接的条件随机场提高模型捕获细节的能力。
图像分割常用数据集
-
PASCAL VOC
VOC 数据集分为20类，包括背景为21类。
-
MS COCO
MS COCO 是最大图像分割数据集，提供的类别有 80 类，有超过 33 万张图片，其中 20 万张有标注，整个数据集中个体的数目超过 150 万个。
-
Cityscapes
Cit yscapes 是驾驶领域进行效果和性能测试的图像分割数据集，它包含了5000张精细标注的图像和20000张粗略标注的图像，这些图像包含50个城市的不同场景、不同背景、不同街景，以及30类涵盖地面、建筑、交通标志、自然、天空、人和车辆等的物体标注。
