2018-04-21 语义分割Semantic segmentation

按难易程度进行分类：从易到难*--->***

一、易

1、图像语义分析学习（一）：图像语义分割的概念与原理以及常用的方法 定义，算法

应用：自动驾驶系统（具体为街景识别与理解）、无人机应用（着陆点判断）

Grouping, segmentation

1.1基于图划分（Graph partitioning）:需要用户交互操作

(1)Normalized Cut图像分割

(2)Grab cut：RGB 图像的前景和背景分别用一个高斯混合模型（Gaussian mixture model, GMM）来建模

1.2深度学习（Deep learning, DL）

（1）全卷积神经网络（Fully convolutional networks，FCN）：直接进行像素级别端到端（end-to-end）的语义分割，基于深度卷积神经网络模型（CNN）实现。

？全连接层，卷积层，池化层，上采样，下采样 见2

（2）Dilated Convolutions：在去掉池化下采样操作的同时，而不降低网络的感受野

（3）条件随机场（Conditional random field，CRF）

2、十分钟看懂图像语义分割技术 前面同1，池化，

深度神经网络：输入层、中间层、输出层

2.1卷积神经网络算法（Convolutional Neural Networks），简称 CNN。卷积神经网络就是一种深度神经网络

图像输入，卷积核

全连接层：一维向量

CNN 的输入是图像，输出是一个结果，或者说是一个值，一个概率值

2.2 FCN 即 全卷积神经网络（Fully Convolutional Networks）。

FCN 输入是一张图片是，输出也是一张图片，学习像素到像素的映射。

CNN 网络中的后三层，都是一维的向量，计算方式不再采用卷积，所以丢失了二维信息，而 FCN 网络中，将这三层全部转化为 1*1 的卷积核所对应等同向量长度的多通道卷积层，使后三层也全部采用卷积计算，整个模型中，全部都是卷积层，没有向量，所以称为 “全卷积”。

FCN 将第 6 层和 7 层分别从 4096 长度的向量转化为 4096 通道的卷积层，第 8 层则是 21 通道的卷积层。之所以第 8 层从 1000 缩减到 21，是因为 FCN 使用的识别库是 PASCAL VOC，在 PASCAL VOC 中有 20 种物体分类，另外一个 background 分类。（关于 PASCAL VOC 参见附录）

二者区别图：红色框中的部分

池化简单来说就是将输入图像切块

CNN 最终只输出一个结果：“这个图上是个啥”：不需要上采样

FCN 是像素级别的识别，也就是输入有多少像素，输出就要多少像素，像素之间完全映射，并且在输出图像上有信息标注，指明每一个像素可能是什么物体 / 类别。上下采样均需要

每一个卷积层，都包含了 [卷积 + 池化] 处理，这就是传说中的 “下采样”：图像的像素信息变小了

反卷积”，对第 5 层进行反卷积，可以将图像扩充至原来的大小， 称为 “上采样”

2.3Dilated Convolutions疏松的卷积核

条件随机场”（ Conditional Random Field，简称 CRF）的技术作为输出结果的优化后处理手段，还有马尔科夫随机场 (MRF) 和高斯条件随机场 (G-CRF) 

二、译文，难*****

1、深度学习-语义分割总结    定义、分类、汇总

三、项目中可能用到的

1、专栏 | CVPR 2017论文解读：Instance-Aware图像语义分割

物体分割（instance aware segment）有别于语义分割。在语义分割中，同一类的物体并不区分彼此，而是统一标记为同一类。但物体分割需要区分每一个独立的个体。

2、图像分类，物体检测，语义分割，实例分割的联系和区别

Image Classification 

The task of object classification requires binary labels indicating whether objects are present in an image.[1]   图像分类，该任务需要我们对出现在某幅图像中的物体做标注。比如一共有1000个物体类，对一幅图中所有物体来说，某个物体要么有，要么没有。可实现：输入一幅测试图片，输出该图片中物体类别的候选集

Object detection ****

Detecting an object entails both stating that an object belonging to a specified class is present, and localizing it in the image. The location of an object is typically represented by a bounding box.  物体检测，包含两个问题，一是判断属于某个特定类的物体是否出现在图中；二是对该物体定位，定位常用表征就是物体的边界框。可实现：输入测试图片，输出检测到的物体类别和位置。

Semantic scene labeling 

The task of labeling semantic objects in a scene requires that each pixel of an image be labeled as belonging to a category, such as sky, chair, floor, street, etc. In contrast to the detection task, individual instances of objects do not need to be segmented. 语义标注/分割：该任务需要将图中每一点像素标注为某个物体类别。同一物体的不同实例不需要单独分割出来。对下图，标注为人，羊，狗，草地。而不需要羊1，羊2，羊3，羊4，羊5.

Instance segment  

实例分割是物体检测+语义分割的综合体。相对物体检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割可以标注出图上同一物体的不同个体（羊1，羊2，羊3...）