Keras深度学习实战（18）——语义分割详解

0. 前言

在《使用 U-Net 架构进行图像分割》一节中，我们学习图像分割的基本概念，并且构建了基于 U-Net 网络模型的图像分割模型，在图像中仅包含一个对象时实现图像分割的方法。在本节中，我们将更进一步学习更复杂的语义分割，以便我们能够区分图像中的多个对象。

1. 语义分割基本概念

语义分割 (Semantic Segmentation) 是为了便于图像分析而为图像中的每个像素分配标签的过程，可以将语义分割认为是一种为场景理解提供支持的高层任务，场景理解不仅是语义分割领域需要解决的重难点问题，更是计算机视觉领域的核心问题之一。
语义分割在包括自动驾驶、行人检测和医学影像分析等领域显示出良好的应用前景。语义分割技术主要包括两类：第一类是传统的语义分割算法，首先需要使用传统的图像处理技术提取图像特征，然后通过为每个像素分类来实现图像分割，此类方法的优点在于操作简单，计算难度较小，但其适用性较低，在有外界因素(例如光照、旋转等)的干扰下分割效果不佳；第二类是基于深度学习的语义分割算法，通过使用深度卷积神经网络提取图像特征，然后对每个像素进行分类&#x