语义分割(FCN，UNET，DEEPLAB)

语义分割(FCN，UNET，DEEPLAB)

语义分割的目的是对图像中的每一个像素点进行分类，从而确定每个像素点所属的类别。(从像素级别进行分类)

1.FCN(Fully Convolustional Networks)

VGG和Resnet等CNN网络通过在网络最后加入全连接层，然后再经过softmax获得类别的概率信息，得到的一维概率信息可以对整张图片的类别进行识别。FCN提出将网络后边的全连接层全部换成卷积，从而得到二维的特征图(feature map)，使用反卷积层对特征图进行上采样，恢复到与图像相同的尺寸，从而对每一个像素均产生一个预测结果，进而解决分割问题(FCN是在抽象的特征图中恢复每个像素的类别)。

FCN的结构和操作流程如下：

• 首先使用全卷积提取特征（虚线以上部分），图中的蓝色快为卷积块，绿色块为max pooling块。输入可以为任意尺寸的彩色图像，输出图像的尺寸与输入尺寸相同。
• 然后分别从卷积网络的不同阶段预测分类结果（虚线以下部分），原始图片经过多层卷积与池化操作后，得到的图像越来越下，分别率越来越低，图像最小时被称为Heatmap热图(即特征图)。使用反卷积操作对特征图进行上采样，直到恢复到与输入图像相同的尺寸，从而对每个像素产生预测。假设输入图像大小为nnc，类别数为C，那么恢复的图像大小为nnC，通过逐个像素地求其在C张图像的该像素的最大数值描述(概率)作为该像素的分类。也就说最后恢复的图像已经被分类完成。<