Segmentation 图像分割 _图像分割

文章目录
图像分割
图像分割是预测图像中每一个像素所属的类别或者物体。基于深度学习的图像分割算法主要分为两类：
语义分割（）
为图像中的每个像素分配一个类别。
【Segmentation图像分割】实例分割（）
与语义分割不同，实例分割只对特定物体进行类别分配，这一点与目标检测有点相似，但目标检测输出的是边界框和类别，而实例分割输出的是掩膜和类别。
FCN
原文链接：Fullyfor：

文章插图
FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。FCN可以接受任意尺寸的输入图
像，采用反卷积层对最后一个卷积层的f eat ure map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。
U-Net
原文链接：U-Net:forImage ：
特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。拼接上采样部分，也叫扩张网络，图片尺寸变大，提取的是深层信息，使用了四个上采样，在上采样的过程中，图片的通道数是减半的，与左部分的特征提取通道数的变化相反。

文章插图
原文链接：: A Deep-for Image ：
架构包括编码器、解码器、编码-解码结构和反卷积-上采样-下采样结构。编码器使用VGG16的前13层卷积网络，每个编码器层都对应一个解码器层。在解码器处，执行上采样和卷积。最终解码器的输出被送入分类器以独立的为每个像素产生类概率。
论文原文： IMAGEWITH DEEPNETS AND FULLYCRFS：
是结合了深度卷积神经网络（DCNNs）和概率图模型的方法。针对信号下采样或池化降低分辨率，是采用的（带孔）算法扩展感受野，获取更多的上下文信息。
采用完全连接的条件随机场提高模型捕获细节的能力。
图像分割常用数据集