1.什么是语义分割
1.1 任务：
将图像按照物体的类别分割成不同的区域，相当于对每个像素进行分类。
1.2 应用：
无人驾驶汽车
人像分割
实时替换视频背景
智能遥感
分辨地表物体的类别，通过右侧分割之后的图像可以看到，红色的部分属于湖泊河流。通过智能遥感能够监测不同季节地表水域的变化，从而辅助农业生产，以及旱灾洪灾的预测等等。
医疗影像分析
1.3 分类
语义分割 vs 实例分割 vs 全景分割
2. 语义分割的基本思路
2.1 按颜色分割
先验知识：物体内部颜色相近，物体交界颜色变化
存在的问题：
（1）先验知识不完全准确；
（2）不同物体颜色可能相近，物体内也会包含多种颜色。
2.2 逐像素分类
存在的问题：
效率低下，重叠区域重复计算卷积
解决方式：
复用卷积计算
2.3 全连接层的卷积化
2.4 预测图的升采样
双线性插值 Bilinear Interpolation
卷积实现双线性插值
转置卷积 Transposed Convolution
2.5 全卷积网络的预测和训练
2.6 基于多层级特征的上采样
各种解决方案：
2.5 上下文信息
图像周围的内容（也称上下文）可以帮助我们做出更准确的判断。
如何在分割过程中使用上下文信息？
方案：增加感受野更大的网络分支，将上下文信息导入局部预测中
2.6 空洞卷积和Deeplab系列
空洞卷积解决下采样问题
DeepLab模型
扫描二维码关注公众号，回复：
16603783 查看本文章
2.6 条件随机场CRF
条件随机场
能量函数的意义
2.6 空间金字塔池化 ASPP
3. 语义分割算法总结
4. 语义分割前言算法
4.1 SegFormer
4.2 K-Net
4.3 MaskFormer
4.4 Mask2Former
4.5 SAM
5. 语义分割模型的评估
