背景：
語義分割，就是將影象中感興趣的目標進行識別，並將其標記出來（ involves partitioning images (or video frames) into multiple segments or objects）的過程，隨著影象處理和計算機視覺的大熱，對語義分割的準確率和速度要求也不斷提高。過去的語義分割，通常使用機器學習的方法，隨著13年，特別是15年後的深度神經網路大火，新出現的語義分割模型，也大多使用深度神經網路。
語義分割的分類：
1、對一張中，單個物件進行標記
2、對一張中，所有感興趣物件進行標記（predicts a single label for the entire image）
目前研究的重點和難點，是第二種情況。嚴格來說，第二種情況的實現，是通過將第一中情況，與例項分割（ instance segmentation）相結合來實現的。
語音分割（dl）的主要方法：
fully convolutional networks：
全卷積網路方法
convolutional models with graphical models：
卷積+圖模型
encoder-decoder based models：
編碼——解碼 模型
multi-scale and pyramid network based models：
金字塔網路，以實現可以應對不同size的輸入，避免因對輸入進行resize而造成的影象失真
r-cnn based models (for instance segmentation)：
區域卷積網路，使用 候選框+分類+predict mask 三重網路
dilated convolutional models and deeplab family：
擴大卷積，為了在獲得更大的感受野的同時，不會增加太多計算量而提出的演算法。比起原始的卷積方法，擴大卷積在獲得相同感受野的前提現，要計算的引數通常會呈幾何倍減少，而且感受野越大，效果越明顯。擴大卷積的提出，使得實時分割（ real-time segmentation）得以實現。
recurrent neural network based models：
因為相鄰畫素點之間是有關聯的，並不是單獨存在的，所以模型提出，不用cnn，而是改用支援前後資訊關聯的rnn模型。這裡模型通過四個方向的順序（從左向右，從右向左，從上向下，從下向上）來對影象提取資訊。
attention-based models：
在傳統深度網路中新增了注意力機制。
generative models and adversarial training：
基於生成對抗的思想，g model 輸入原始影象，輸出分割影象；d model 輸入g生成的影象和人工分割的影象，輸出0 or 1（判斷是假 or 真）。
convolutional models with active contour models
other models
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...
語義分割之損失函式綜述
來自cvpr2020，a survey of loss functions for semantic segmentation code 作者彙總了在語義分割領域中常用的幾種損失函式，並列出其適用場景。同時，作者也剔除了一種新的損失函式 log cosh dice loss function a b...
Java Collection常見方法
collection的常見方法 1 新增 boolean add object obj 新增單個物件 boolean addall collection coll 新增集合 2 刪除 boolean remove object obj 刪除單個物件 boolean removeall collect...