图像语义分割学习笔记

与实例分割相区别，只对图像中物体类别做划分，但没有分离同一类的实例。

一、目标：

将一张RGB图像（hw3）或灰度图作为输入
输出分割图，每一个像素包含了其类别的标签

二、FCN（fully convolutional Network）全卷积网络（深度学习解决分割问题的基石）

分类网络在最后由于有全连接层的存在，使其丢失了输入的空间信息，因此无法解决诸如分割等稠密估计的问题。
考虑到这一点FCN用卷积层和池化层替代全连接层，使得网络可以适应像素级的稠密估计任务。

跳级结构，即可以结合浅层的局部特征又结合最后一层的全局来作判断，这样可以在遵守全局预测的同时进行局部预测。

FCN的缺点，

得到的结果不够精细，对细节不够敏感；
没有考虑像素与像素之间的关系，缺乏空间一致性等。

三、Unet模型