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。