本文大多來自方便讀*****使用
影象語義分割（semantic segmentation），從字面意思上理解就是讓計算機根據影象的語義來進行分割，例如讓計算機在輸入下面左圖的情況下，能夠輸出右圖。語義在語音識別中指的是語音的意思，在影象領域，語義指的是影象的內容，對意思的理解，並對不同部分進行標註，圖中紅色部分為人，綠色部分為自行車：
目前語義分割的應用領域主要有：
地理資訊系統
可以通過訓練神經網路讓機器輸入衛星遙感影像，自動識別道路，河流，莊稼，建築物等，並且對影象中每個畫素進行標註。（下圖左邊為衛星遙感影像，中間為真實的標籤，右邊為神經網路**的標籤結果，可以看到，隨著訓練加深，**準確率不斷提公升。使用resnet fcn網路進行訓練）
無人車駕駛
語義分割也是無人車駕駛的核心演算法技術，車載攝像頭，或者雷射雷達探查到影象後輸入到神經網路中，後台計算機可以自動將影象分割歸類，以避讓行人和車輛等障礙。
醫療影像分析
隨著人工智慧的崛起，將神經網路與醫療診斷結合也成為研究熱點，智慧型醫療研究逐漸成熟。在智慧型醫療領域，語義分割主要應用有腫瘤影象分割，齲齒診斷等。(下圖分別是齲齒診斷，頭部ct掃瞄緊急護理診斷輔助和肺癌診斷輔助)
機械人等領域
語義分割中的深度學習技術
1.全卷積神經網路 fcn（2015）
**：fully convolutional networks for semantic segmentation
全卷積神經網路主要使用了三種技術：卷積化（convolutional）、上取樣（upsample）、跳躍結構（skip layer）
2.segnet（2015）
**：a deep convolutional encoder-decoder architecture for image segmentation
主要貢獻：將最大池化指數轉移至解碼器中，改善了分割解析度。
3.空洞卷積（2015）
**：multi-scale context aggregation by dilated
主要貢獻：使用了空洞卷積，這是一種可用於密集**的卷積層；提出在多尺度聚集條件下使用空洞卷積的「背景模組」。
4.deeplab（2016）
**：deeplab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs
主要貢獻：使用了空洞卷積；提出了在空間維度上實現金字塔型的空洞池化atrous spatial pyramid pooling(aspp)；使用了全連線條件隨機場。
語義分割概述
影象語義分割 一 影象語義分割含義及原理 含義 對分割後的影象加上語義標籤 用不同的顏色代表不同類別的物體 就是給分割後影象中的每一類物體加上標籤，輸入一般是彩色深度 rgb d 影象。要求 1 分割得到的不同區域內部平整，其紋理和灰度有相似性 2 相鄰語義分割區域對分割所依據的性質有明顯的差異 3...
語義分割綜述
目前語義分割的流行框架可以分為前端 後端。前端採用fcn定位不同類別的物體，後端採用rf crf mrf 精確定位物體邊界。也就是說，前端解決 是什麼 what 後端解決 在 where 可以把語義分割網路分為兩類 以fcn為代表的編解碼器 encode decode 網路 以deeplab為代表的...
初識語義分割
正式接觸語義分割應該是2018年3月份左右的事情了。在此之前，作為一名遙感專業的學生，我所接觸最多的和語義分割相關的詞應該是遙感影象分類。遙感常應用於進行大面積土地利用調查，因此給定一幅遙感影象，需要按照建築物，地面，農田，河流等地面場景將其劃分為不同的類別，這與語義分割的目標是完全一致的，只不過應...