图像分割论文总结

参考文献：

深度学习之图像分割

CNN图像语义分割基本上是这个套路：

1. 下采样+上采样：Convlution + Deconvlution／Resize
2. 多尺度特征融合：特征逐点相加／特征channel维度拼接
3. 获得像素级别的segement map：对每一个像素点进行判断类别

即使是更复杂的DeepLab v3+依然也是这个基本套路。

Image Segmentation（图像分割）网络结构比较

网络		父辈	生辰		增加的结构	丢弃的结构	优势	劣势
VGG16		FCN的灵感来源
FCN		VGG16	2014		一个Deconv层(从无到有)	所有fc层	简单	粗糙
DeconvNet		FCN	2015		Unpooling层（从无到有）、多个Deconv层（层数增加）、fc层（从无到有）
SegNet		DeconvNet	2016		每个max_pooling的max索引	所有fc层
DeepLab		FCN
PSPNet
Mask-RCNN			2017				真正做到像素级

Image Segmentation（图像分割）族谱

FCN

• DeepLab

• DeconvNet

  • SegNet

• PSPNet

• Mask-RCNN

按分割目的划分

• 普通分割

  将不同分属不同物体的像素区域分开。 
  如前景与后景分割开，狗的区域与猫的区域与背景分割开。

• 语义分割

  在普通分割的基础上，分类出每一块区域的语义（即这块区域是什么物体）。 
  如把画面中的所有物体都指出它们各自的类别。

• 实例分割

  在语义分割的基础上，给每个物体编号。 
  如这个是该画面中的狗A，那个是画面中的狗B。