一文读懂深度学习分割网络发展史（重点介绍pspnet）

FCN，Unet , Segnet，RefineNet，PSPNet，Deeplab v1&v2&v3、ERFNET

图像分割问题可以理解为聚类问题。
图像分割任务的本质是像素级别的分类。
深度学习来做图像分割需要考虑的因素（实际上所有算法都应该考虑）：
（1）资源，就是达到某种分割效果所需要的算法复杂度。
（2）效果，算法最终的分割效果达到了什么程度。
（3）效率，即分割一帧图片需要的时间。
从算法本质来看，追求的是利用算法达成某个目标的性价比，即性能和资源（代价）的一个平衡。脱离某一方面，去谈另一方面都是没有任何意义的。

进一步而言，产品迭代的过程也是如此，先要满足性能，然后开始考虑成本。
例如：手机的发展历史，一开始是BB机，然后是大哥大，接着是小灵通，最后是智能手机，以及后来的触屏手机。

这些分割网络的基础是CNN。
注：分割网络的预测是基于像素点的预测。
如何才能使像素预测更加准确？
方法一： 得到图像多尺度的特征信息。
方法二： 得到图像中相邻物体像素之间的逻辑关系。
理论依据：像素点的预测需要综合全局的场景类别信息，以及局部的类别信息来判断，这样的预测更加可靠。
实现方法：通过金字塔场景解析网络（