语义分割之FCN、PSPNET、Deeplab-V3

1、FCN（全连接卷积神经网络）

FCN是深度学习来做语义分割的奠基性工作

96,256,384,384,256前五层是卷积层，后三层为全连接层，用转置卷积层来替换CNN最后的全连接层，从而实现像素预测

为解决卷积和池化导致图像尺寸的变小，使用上采样方式对图像尺寸进行恢复

2、PSPNET

该模型提出是为了解决场景分析问题。针对FCN网络在场景分析数据集上存在的问题，Pspnet提出一系列改进方案，以提升场景分析中对于相似颜色、形状的物体的检测精度。

PSPNet用带有空洞卷积的预训练的ResNet作为backbone，最后一层提取的feature map大小为输入图像的1/8。PSPNet为四级模块，其二进制大小分别为1×1、2×2、3×3和6×6。因此，通过融合四个不同金字塔尺寸的特征，将输入的feature map分为不同的子区域并生成不同位置的池化表示，从而产生不同尺寸的输出，为了强化全局特征的权重，在金字塔层数为N的情况下，利用一个1x1的卷积将上下文表示的维度降到1/N。然后将得到的特征通过双线性插值上采样至相同尺寸，进行拼接后作为最终的全局金字塔池化特征。

3、Deeplab-V3

空洞卷积编码器（Dilated Convolutional Encoder）：使用了空洞卷积来扩大感受野，从而更好地捕捉上下文信息。

空洞卷积（Dilated Convolution）：DeepLab-v3中的关键是采用多尺度空洞卷积来捕捉不同尺度下的上下文信息。通过在卷积核中引入不同的空洞率，网络可以学习到不同尺度下的特征。这样可以提高模型对细节和边界的感知能力。

解码器模块（Decoder Module）：引入了解码器模块，包括上采样和融合操作，以将特征图的分辨率还原到原始输入图像的大小。这有助于提高分割的准确性。