感知领域的分割网络应用总结

　　　　　　　　　　　“未来会怎样”

　　　　　　　　　　　“要用力走下去才知道”

　　　　　　　　　　　“路还长　天总会亮”

 

2018遂将毕矣～

期待再见！

 

深度学习增加了计算机视觉的前所未有的准确性，比如图像分类，目标检测，当然还有分割。

对于分割，之前博文曾总结了其两种形式：语义分割、实例分割。

然而，在智能驾驶以及移动设备领域，除了算法的精度要求，算法的实时性也是极其重要。对于实例分割，不仅需要对不同语义物体进行图像分割，同时还要求对同一语义的不同个体进行分割（即要对每一个像素进行区分，更要对同一类目标的不同个体用不同颜色分别标示出来），这么高的需求就意味着需要更复杂的网络，更繁琐的浮点计算，更长的耗时，更高的计算平台，比如MaskRCNN，虽然在效果上很好，但离实际的工程应用还有一段距离。相反，语义分割，好像更接地气，无论是精度和实效性，都可以接受，因此更受开发者的喜爱，尤其是在感知领域，其炫酷的分割结果可以很好的吹逼呦，哈哈～

注：图片借鉴某司官网，致谢，见谅～

 

好，接下来就详细总结下语义分割的经典的三个网络：FCN、SegNet、E-Net

 

一般的语义分割架构可以被认为是一个编码器——解码器网络（一个encoder一个decoder）。编码器通常是一个预训练的分类网络，像 VGG、ResNet&