图像分割入门

图像分割 传统方法
https://zhuanlan.zhihu.com/p/30732385

语义分割论文-DeepLab系列
http://hellodfan.com/2018/01/22/%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2%E8%AE%BA%E6%96%87-DeepLab%E7%B3%BB%E5%88%97/

FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。最后逐个像素计算softmax分类的损失, 相当于每一个像素对应一个训练样本。

FCN与CNN的区域在把于CNN最后的全连接层换成卷积层，输出的是一张已经Label好的图片。
https://zhuanlan.zhihu.com/p/30195134

空洞卷积/扩张卷积（Dilated Convolutions）
标准卷积在特定场景如图像语义分割下存在一定的问题，比如通过池化操作降低计算量，同时增大感受野，再通过反卷积（上采样）扩充图像到原始大小，这中间会丢失很多信息，特别是空间结构信息，另一个问题是小的物体信息无法复原重建出来。
而在空洞卷积中，避免了使用池化操作的同时增大了感受野，不需要图像分辨率的压缩，保留了图像内部的数据结构，可以有比标准卷积更好的分割效果。
https://blog.csdn.net/dcrmg/article/details/81035711

在图像分割领域，图像输入到FCN（全连接网络）先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测（upsampling一般采用deconv反卷积操作）。
在先减小再增大尺寸的过程中，肯定有一些信息损失掉了，那么能不能设计一种新的操作，不通过pooling也能有较大的感受野看到更多的信息呢？答案就是dilated conv（空洞卷积）。

deconv和dilated conv的区别：
deconv的其中一个用途是做upsampling，即增大图像尺寸。而dilated conv并不是做upsampling，而是增大感受野。
http://imgtec.eetrend.com/d6-imgtec/blog/2017-07/10014.html

增加感受野
感受野是卷积神经网络(CNN)每一层输出的特征图(feature map)上的像素点在原始输入图像上映射的区域大小。

感受野的计算：
'''
RF: 待计算的feature map上的感受野大小
stride: 卷积的步长(之前所有层stride的乘积)
fsize: 卷积层滤波器的大小
'''
RF = 1
for layer in （high layer To low layer）:
　　RF = ((RF -1)* stride) + fsize

增加感受野：增加层数、增大strides，增加fsize即卷积滤波器的大小都可以增加感受野的大小。
增加pooling层，但是会降低准确性（pooling过程中造成了信息损失）
增大卷积核的kernel size，但是会增加参数
增加卷积层的个数，但是会面临梯度消失的问题
https://blog.csdn.net/a529975125/article/details/80888463

南开大学提出最新边缘检测与图像分割算法，精度刷新记录（附开源地址）
https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/83593069

Graph Cut
https://blog.csdn.net/zouxy09/article/details/8532111
GrabCut是对Graph Cut的改进版，是迭代的Graph Cut。该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。
只需要在目标外面画一个框，把目标框住，就可以完成良好的分割：

Graph Cut的能量最小化（分割）是一次达到的，而Grab Cut取代为一个不断进行分割估计和模型参数学习的交互迭代过程；
https://blog.csdn.net/zouxy09/article/details/8534954

https://blog.csdn.net/UFv59to8/article/details/82880469