7、深度学习语义分割技术解析

深度学习语义分割技术解析

1. 无监督和弱监督学习

在深度学习中，自动编码器和受限玻尔兹曼机是处理无监督问题最常用的方法。自动编码器用于图像编码，受限玻尔兹曼机用于图像或像素的聚类。由于语义分割的主要问题是缺乏像素级标注，因此完全自动的无监督图像分割将非常有帮助。

1.1 W - net模型

W - net是一种卷积自动编码器网络，其编码器和解码器均为U - net结构。编码器的输出是一个掩码，该掩码经过条件随机场和层次聚类处理后得到最终的分割图像。解码器以该掩码为输入，输出尽可能接近编码器输入的图像。损失函数是重建损失（自动编码器常用）和应用于掩码的软切割损失的组合。

1.2 ReDO模型

ReDO模型是一种基于生成方法的无监督模型。它首先识别图像分区，然后分别生成每个分区的内容，最后将它们融合以创建与输入相似的生成图像。这种方法的优点是可以识别每个分区的分布。

1.3 半监督学习方法

半监督学习方法将强标签学习（使用像素级标注图像）和弱标签学习（使用图像级标签）以各种方式结合起来。由于可用标注数据的限制，无监督和半监督方法在语义分割中越来越受到关注。

2. 模型改进

2.1 块级增强

2.1.1 特征提取结构

在语义分割中，各尺度的特征提取由神经层子结构完成。目前的先进方法依赖于具有增强通信能力的层结构，如残差块及其变体。基本思想是通过逐步的数据变换，即$y = x + f (x; θ)$，其中$f$是由几个卷积层执行的非线性变换，通常为三个具有数百个卷积核的卷积层。通过级联这些残差层构建非常深