注：
在本文中经常会提到输出数据的维度，为了防止读者产生错误的理解，在本文的开头做一下说明。
如上图，原始图像大小为5*5，经过一次卷积后，图像变为3*3。那就是5*5的输入，经过一个卷积层后，输出的维度变为3*3，再经过一个卷积层，输出的维度变为1*1，这里的5*5，3*3和1*1即为本文提到的数据的维度。
1、什么是语义分割
图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统（具体为街景识别与理解）、无人机应用（着陆点判断）以及穿戴式设备应用中举足轻重。我们都知道，图像是由许多像素（Pixel）组成，而「语义分割」顾名思义就是将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）。
上面的图片就是一个具体的语义分割的例子。左边的实际图片作为输入，我们想要通过一定的算法，得出右边的分割图片。
2、 语义分割算法介绍
2.1 FCNN（全连接卷积神经网络）
2014年，来自UC Berkeley 的Trevor Darrell 组在2014年提出了全连接的卷积神经网络，开启了卷积神经网络应用在语义分割的先河。由于用于图像分类和检测的卷积神经网络关注的是图像级，所以在卷积网络的后面会有全连接层，用于降低网络的维度，输出我们想要的分类信息和位置信息；但是语义分割关注的是图像的像素级（Pixel-level），我们希望输入的是一张图片，输出的仍然是尺寸基本一致的图片，所以在FCNN中，去掉了一般卷积网络后面的全连接层。
上图就是FCNN的基本架构。在经过一个全卷积的预训练的网络之后，比如说VGG，由于池化操作降低了图像空间维度，特征map仍然需要被上采样。与简单的双线性插值不同，反卷积层可以学习插值。该层也叫上卷积（upconvolution），全卷积（full convolution），转置卷积（transpose convolution）或者分数化卷积（fractionally-strided convolution）。
然而，上采样（即反卷积层）产生粗糙的分割图，是因为在池化过程中信息的丢失。因此，跳转连接能够产生分辨率更高的特征对应图。
跳转连接如上图。我们不再仅仅用最后的池化层的输出的来进行反卷积，而是利用前面的池化层的输出为我们提供更多的原始图片的信息。原文的作者对这种方案进行了对比：
1、用pool5的输出作为上采样（反卷积）的输入，由于经过了5个池化层，图像被缩小到原始图像的1/32，所以使用上采样将pool5的输出放大32倍，得到一个32倍放大的分割图。
2、用pool5的输出采用上采样2倍放大，与pool4的输出叠加后，再经过上采样16倍放大，得到一个输出16倍放大的分割图。
3、将pool5和pool4的叠加和2倍放大后，再叠加pool3的输出，然后呢进行上采样8倍放大，最后得到一个8倍放大的分割图。
上图就是三种分割方案与真实分割的对比，显然，采用第三种分割方案的分辨率更高。这是由于，仅采用pool5的输出做上采样进行32倍放大，由于pool5输出的每一个元素的感受域更大，导致原始图像中很多细节的特征丢失，所以得到的分割图就相对比较粗糙。而后面的两种方案，分别加进了前面池化层的输出，由于前面池化层的输出数据的每一个元素的感受域相对较小，所以很多原始图像的细节特征得以保留，得到的分割图的分辨率就更高。
下面简单说一下什么是感受域？
感受域主要取决于卷积和池化的kernel和stride的大小。如上动图，在kernel大小为3*3，stride为1时，经过一个卷积层后，每一个像素的感受域即为9。所以在经过更多层卷积和池化后，图片的维度越来越小，每个元素的感受域也就会越来越大。
2.2 SegNet
SegNet是基于FCNN的架构提出的。下面先来看一下SegNet的结构：
FCNN的缺点就是得到的分割图的分辨率较低，因此SegNet在FCNN的基础上增加了上池化层。
上池化层相对于池化层与反卷积相对于卷积层类似，也是将低维数据扩展到高维。在SegNet前半段进行池化时，记住每一个池化输出在池化输入中的位置，然后在上池化时，将该输出周围相应的位置填0，即完成了数据维度的放大。
SegNet采用了一种完全对称的结构，卷积与反卷积对称，池化和上池化对称，由此构成了一个encoder-decoder的结构。
2.3 Dilated Convolutions
在利用CNN进行图像分类时，pooling可以通过增加感受域的大小，从而对图像的宏观特征有更好的描述，有助于进行分类。而在进行图像分割任务时，我们关注的是图像的像素级，使用pooling增加了感受域的大小，但是却使图像的很多细小特征丢失了，这样导致分割出来的图像分辨率很低，于是有学者就提出了基于稀疏卷积核的卷积网络。
那么什么是基于稀疏卷积核的卷积呢？我们用下面的图来简单介绍一下：
红点表示卷积核的元素，绿色表示感受域，黑线框表示输入图像。
（a） 为原始卷积核计算时覆盖的感受域，（b）和（c） 为当卷积核覆盖的元素间距离增大的情况，不再在连续的空间内去做卷积，跳着做，当这个距离增加的越大时，单次计算覆盖的感受域面积越大。
这种卷积的好处就是，在不增加训练参数的情况下（中间的空格用0填入，不需训练，但是也要参与计算，因此会增加计算量，后文会提到），增大了输出图像中每一个元素的感受域。
Dilated Convolutions的思路就是将用于分类的神经网络（论文里为VGG）的最后两个池化层去掉，用这种基于稀疏卷积核的卷积网络代替。这样，我们在不降低感受域大小的同时，使输出的数据的维度更大，保留了更多的原始图像的细小特征，避免了池化层降低数据维度造成的细小特征丢失的问题。