一个完整的深度学习图像分割例子（四）：模型训练

在前面的[项目简介][环境搭建][数据准备]中，我们已经完成了项目简介，环境搭建以及数据准备工作，接下来就要搭建网络和模型训练了。

现实生活中，我们往往把一些问题建模成数学问题，深度学习中的图像分割就是把分割建模成数学模型。

在进入实战之前，首先讲一下什么是模型，大家都听过AlexNet，ResNet，R-CNN，UNet等名词，这些我们都统称为卷积神经网络，也叫CNN，主要应用于计算机视觉领域，是深度学习的一个重要应用分支，另一个应用比较广泛的是循环神经网络，主要应用于自然语言处理，由于注意力机制在自然语言中太成功了，所以近两年基于自注意力机制的视觉模型在CV领域也非常火热，但我们主要以CNN为主。

图像分割问题实质是对图像每个像素进行分类，由于原图像中每个像素语义信息非常稀疏，没办法在原始图像上进行像素分类，所以需要从原始图像域转换到特征图像域，而这个转换过程需要CNN来提取特征，然后针对特征图像素进行分类，同一类物体被分配同一个分类标签，我们称为语义分割，同一类物体的不同实例被分配不同的标签，我们称为实例分割。

前面我们说过，要想提高分割的准确性，可以主要从两个方面下功夫，第一个是数据增广，另一个就是模型的设计上，一般而言，越靠近输入层，模型感受野也小，模型捕获的特征越抽象，网络捕获的是细节信息，例如，边缘，颜色等，越靠近输出端，感受野越大，特征越具体，包含的语义信息越丰富，这种信息对于分类起到很大作用，所以，层数多的模型要比层数少的模型效果要好