图像语义分割

图像语义分割

传统图像分割方法:基于阈值的分割方法、基于区域的分割方法、基于聚类分割的方法、基于图论的分割方法
FCN-32s的网络框架流程
（1）FCN训练阶段与一般的卷积神经网络训练阶段一致。把分类图像缩放成固定大小输入卷积神经网络中进行学习训练，并保存训练结果。
（2）修改卷积神经网络最后的全连接层为卷积层，并称其为FCN网络。
（3）预测阶段会输入图像通过FCN网络，数据在FCN网络中向前传播到最后的卷积层产生的特征图称为热图，对最后产生的热图进行32倍上采样操作恢复成原图大小
（4）最后计算以上采样之后的图逐像素，求得每个像素所属类别得分

SegNet网络框架流程
（1）编码阶段：把图像输入卷积神经网络进行向前传播，并在每次Pooling层中记录下Pooling特征的位置
（2）解码阶段：对解码阶段得到的特征图进行上采样操作和卷积操作，将（1）中编码得到的特征转换为图像标签的过程
（3）分类阶段：逐像素进行Softmax分类，求得每个像素所属类别标签

DeepLab网络在卷积神经网络模型的基础上提出了空洞卷积层（Atrous卷积层）和金字塔型空洞池化层，使得卷积神经网络模型在不降低图像空间维度的前提下增大了卷积层的感知区域。然后使用FCN的思想获得得分图（热图）后进行上采样操作，获得与输入图像相同尺寸的图像。接着引入全连接条件随机场进行亚像素级别的分割，最终输出分割图。
网络框架流程：
（1）对FCN网络进行微调修改，把部分卷积层和Pooling层换成Atrous卷积层
（2）对经过FCN网络产生的得分图进行上采样操作，获得与输入图像相同尺寸的特征图像
（3）使用全连接CRF计算上采样后图像的得分图
（4）经过Softmax层获得分割图