[经典方法]：图像语义分割方法，从CRF，MRF到FCN，SegNet，DeepLab，PSPNet

1. 概率图模型

概率图模型一般用来作为语义分割的后端优化，主要是细化语义分割边界。

1. 条件随机场
2. 马尔可夫随机场

2. 神经网络

1. FCN 2014
   Fully Convolutional Networks for Semantic Segmentation
   
   图像语义分割的输出需要是个分割图，然而分类网络的全连接层的输出是一个一维的，因此FCN被提出来进行二维分类，如结构图所示，特点有：
   1. 卷积化（Convolutional）
      卷积化即是将普通的分类网络，比如VGG16，ResNet50/101等网络丢弃全连接层，换上对应的卷积层。
   2. 上采样（Upsample）
      上采样指的是任何可以让你的图像变成更高分辨率的技术。上采样方式有Unpooling，Deconvolution，插值方法。
   3. 跳层连接（Skip Layer）
      网络比较深的时候，特征图通常比较小，对这种特征图进行上采样——有很好的语义信息，但分辨率很差。 网络比较浅的时候，特征图通常比较大（接近input image），对这种特征图进行上采样——有很好的细节，但语义信息很差。
2. SegNet 2016
   SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
   
3. DeepLab 2015-2018
   谷歌提出来的，博客分析
4. PSPNet 2017
   Pyramid Scene Parsing Network
   
   贡献：利用金字塔池化层来提取背景信息，提出了一个损失函数xiliary loss)