莫一丞元

概述实现语义分割输入数据，对于下图左边，我们需要分割人、建筑物、植物、路和背景，将其作为特定编码：那么对于输出数据，我们需要为每一中类别物体预测一个通道，这里需要预测5个通道：u-net网络结构编码部分是由很多 contraction block 组成，每个 block 对输入做 3×3 大的卷积，然后是 2×2 的最大池化（max pooling）。每个 block 输出的特征图数量是上一个 block 的两倍，可以保证网络高效地学习复杂的图像特征。对于解码部分，则包含很多 expans

背景在图像分类任务上，现存网络有VGG、Resnet等，其中Resnet的出现使得计算机识别准确率超过人类自身。但是在目标检测和图像分割任务上准确率一直较低。现如今，在图像语义分割（对像素点进行分类）任务上，常见网络例如：FCN、SegNet、U-Net、SegNet、DeepLab、FC-Densenet E-Net 和 Link-Net、RefineNet、PSPNet、Mask-RCNN 以及一些半监督方法，例如 DecoupledNet 和 GAN-SS等。一般认为，发展到现在，基于深度学习的图像