语义分割

semantic segmentation

从像素层次来识别图像；为图像中的每个像素指定类别标记

图像分割定义：根据某些规则将图片分成若干个特定，具有独特性质的区域，并抽取感兴趣的目标。

语义分割任务表达

Mask(掩膜)：覆盖预测单个通道，表示图像中存在特定类别的区域（像素级类别标记）

空洞卷积/膨胀卷积

定义：在卷积核中插入零元素，对卷积核上采样，可避免池化层引起的信息损失

随着步长的改变，感受野呈指数增长，参数数量呈线性增长

作用：增大网络感受野，减少特征图像尺寸的损失

例：

DeepLabv3

采用预训练的ResNet-50, 或ResNet-101来提取特征
修改第4个残差块，采用膨胀卷积(模块内的三个卷积采用不同的膨胀率）
加入image-level的ASPP
论文

4种解决目标多尺度问题的结构

Image Pyramid：图像金字塔
将不同尺度图片进行特征提取，再进行图像融合

Encoder-Decoder：编码-解码框架
先进行Encoder特征图变小，再Decoder上采样特征图变大

Deeper w. Atrous Convolution：采用不同尺度的膨胀卷积

Spatial Pyramid Pooling：空间金字塔池化
利用不同尺度的卷积核进行多尺度特征提取，再进行融合

采用级联模块和带孔卷积提取多尺度信息

串行的空洞卷积模型

并行的空洞卷积模型

修改第4个残差块，采用膨胀卷积(模块内的三个卷积采用不同的膨胀率）

DeepLabv3+

Deep Labelling for Semantic Image Segmentation
论文

encoder-decoder结构

先进行下采样得到中间的特征图，下采样包括池化和带步长的卷积。

上采样操作包含去池化双线性插值以及带步长的反卷积操作。

DeepLabv3+中的Encoder-Decoder结构

深度可分离卷积（Depthwise separable convolution）

论文

修改后的xception模型

Xception架构是具有残差连接的深度可分离卷积层的线性堆叠
以下是进过改进的模型

性能比较