语义分割模型

计算机视觉中另一个关键任务就是图像语义分割，语义分割不仅仅是把物体简单的用矩形框圈出来，还将目标物体的每个像素都做了标记，分别用不同的颜色表示了不同的物体像素，从而达到了目标在语义级别的区分。作为图像分析与处理的核心技术之一，语义分割在街景分析中也体现了优势，可以当做自动驾驶设备的核心方式，同时在无人机中，也可以判断着陆点。目前，语义分割的网络和编码解码网络结构类似，开始时利用与编码器类似的识别模型完成图片的预训练，如VGG、残差网络等，随后将预训练的结果输入到解码网络，不同的解码网络可以实现不同目标物体的语义分割任务，解码网络的主要区别就在于特征是怎样实现映射的，比如跳跃连接、金字塔池化等方式。实现了将低分辨率的特征投射 到高分辨率的像素空间后，从而使特征变得能够进行判断，完成了图像在像素层面的识别工作。

在路面裂缝语义分割方面，裂缝的分割时，卷积神经网络判断的不是整体的信息，而是从单个像素上对图像语义进行区分，判断该像素是否是裂缝以及属于哪一类的裂缝。这种方法检测不方便，对裂缝块大小比较敏感，由于是单个像素的判断，所以空间关系没有得到很好的利用，裂缝的检测结果往往是不连贯的，所以效果并不明显。

语义分割网络在进行训练时，有强监督学习过程和弱监督学习过程。

语义分割的强监督学习过程在搭建预测模型时，需要许多的训练实例，并且每个训练实例中都有一个标签，标签中含有真实的输出指示。由此可见，想要得到一个有标签的数据集是十分困难的，特别是在语义分割的任务中，要求数据集中的每个像素都要有标记，使数据集的制作成本变得十分昂贵。针对数据集难以制作或得到的问题，找到降低获取数据集难度的途径变得越来越迫切。直到生成对抗网络的产生，这个问题才得以缓解。从网络的名称可知，这个网络可以生成图像，并且生成图片的分辨率也是十分高的，从而许多研究者把生成对抗网络运用到了图像语义分割领域。在语义分割中，生成对抗网络可以将数据集变得更充实，从而可以向分类器提供更加多种多样的训练样本。

语义分割的弱监督学习过程包括为三个种类，通过生成对抗网络中的生成器产生新的训练样本的方法，也可以当做是弱监督学习过程。弱监督学习过程的种类如下：一、不完全监督，这种学习过程使用的训练集不是都有标签的，带有标签的数据集通常只有一部分，剩下的数据是什么也没有的。二、不精确监督，这种训练集在制作的时候，标签在边缘部分的描述并不准确，属于粗粒度标签。三、不准确监督，这种训练集使用的一部分标签可能包含错误的信息，也就是说数据集中的标签并不都是准确的。