语义分割总结（2014的FCN——CVPR 2018的学习分割Every Thing）

回顾近10年来经典的语义分割模型，无论是基于CNN的架构还是基于Transformer的架构，最核心的理念是“编码-解码”。直观上来讲，就是通过下采样获取特征的潜在表示，再通过上采样从抽象的底层特征表示中恢复目标的细节信息。从交通、医学、遥感、自动驾驶、智能施工管控等领域近些年发表的关于语义分割的论文来看，采用的架构大多是以上所提到的模型的变体，包括但不限于添加各种注意力机制模块、更换主流的特征提取网络backbone、CNN与transformer混合设计、多尺度特征融合。

1.语义分割可用于代替传统算法的边缘检测，图像分割，多应用于自动驾驶、文档处理，工业缺陷检测等领域。 2.LiteSeg是一种实时的轻量级的语义分割网络，为了在 移动端上能有更快的速度和更好的效果，在论文的基础上做了算法优化。 2.博客详细的记录了LiteSeg这个网络从论文复现到优化模型、训练模型、模型部署推理的步骤与代码实现。

在计算机视觉领域，有一个方向是语义分割，一般是针对图像进行像素级分类。具体而言，语义图像分割就是将每个像素都标注上其对应的类别。由于所有的像素都要考虑到，因此语义图像分割任务也被视为是稠密预测的一种。 在此，要区别一下实例分割（具体可参考著名的MaskRCNN模型），实例分割常常与目标检测系统相互结合，用于检测和分割场景中同一对象的多个实例。 基于深度学习的语义分割方法： 用卷积神经网络分类...

** 图像分割 ** 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。 一般来说，用于图像分割的算法主要有五类： 第一种是阈值分割方法（ threshold segmentation method）。阈值分割是基于区域的分割算法中...

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达导读图像语义分割是图像处理和是机器视觉技术中关于图像理解的重要任务。语义分割即是对图像中每一个像素点进行分类，确定每个点的类别，从而进行区域划分，为了能够帮助大家更好的了解语义分割领域，我们精选知乎文章。作者Xavier CHEN针对语义分割进行系统的介绍，从原理解析到算法发展总结，文章思路清晰，总结全面，推荐大家阅读。本文作者...

【计算机视觉】最全语义分割模型总结（从FCN到deeplabv3+）

Learning to Segment Every Thing Ronghang

语义分割（Semantic Segmentation）是计算机视觉中的一项任务，目标是将图像中的每个像素按其语义类别进行分类。与传统的目标检测不同，语义分割对图像中的每个像素都进行分类，而不是只关注物体的边界框。语义分割的目标是给图像中的每个像素分配一个类别标签，通常使用颜色编码来可视化不同的类别。例如，将图像中的道路像素标记为蓝色，建筑物像素标记为红色等。语义分割在许多计算机视觉任务中起到重要作用，如自动驾驶、智能监控、图像编辑等。

是计算机视觉中的一个新兴领域，其基本任务是在某一时刻学习预测特定类别的图像分割，并在随后需要的时候连续增加学习类别的数量，同时保持对已有类别的分割能力。这个过程中需要解决的主要挑战包括灾难性遗忘和语义漂移。为解决以上问题，我们根据是否需要存储旧数据，将当前的CSS分为基于回放的方法和不依赖旧数据的方法2大类。我这次就从这两类入手，帮同学们整理了，并且细分了5个小方向，包含数据回放、自监督、正则化等。每种方法的论文原文以及代码都附上了，另外我还整理一部分需要的同学看文末。

（Semantic Segmentation）是计算机视觉中的核心任务，旨在为图像中的每个像素分配一个语义类别标签，实现像素级别的语义理解。

在计算机视觉领域，目标检测、语义分割和实例分割是三种重要的图像分析任务。它们都涉及从图像中提取结构化信息，但各有侧重：目标检测关注物体位置识别，语义分割进行像素级分类，而实例分割则区分同一类别的不同物体实例。下面我将逐步介绍这些算法的核心概念、关键公式和简单实现示例，帮助您理解其原理和应用。所有描述基于标准算法模型（如YOLO、FCN、Mask R-CNN），确保信息真实可靠。目标检测：输出边界框和类别，适用于快速物体定位（如监控系统）。语义分割：输出像素级类别图，适用于场景解析（如地图生成）。

本系列是基于像素分割的语义分割算法，目前分为3个版本。 DeepLabV1 问题 作者认为语义分割需要解决三个问题： 过多的pool导致图片分辨率降低。 目标的大小变化。 由于DCNN（深度卷积圣经网络）具有不变性（图片翻转后类别不变），有利于分类任务，但是不利于稠密的预测任务比如语义分割，会损失定位精度。 解决 1 过多的pool导致图片分辨率降低。 去掉最后几个axpool（s=2->1）将接下来的卷积层转为膨胀卷积。 膨胀卷积的作用： 在没有加入参数和多余的计算情况下，扩大感受野。

CNN在进行卷积和池化（或下采样）操作时，会逐渐减小特征图的尺寸，这有助于提取更高层次的抽象特征，但同时也导致了空间信息的损失。传统的CNN在多次卷积和池化后，往往无法很好地保留图像中的细节信息，从而难以做到精确的分割。：传统的CNN在卷积层之后会接入全连接层，将二维的特征图转换为一维的向量，以便进行分类。跳跃结构（Skip Layer） 这个结构的作用就在于优化结果，因为如果将全卷积之后的结果直接上采样得到的结果是很粗糙的，所以作者将不同池化层的结果进行上采样之后来优化输出。FCN将传统CNN后面的。

点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达01轻量级语义分割基于轻量化网络模型的设计作为一个热门的研究方法，许多研究者都在运算量、参数量和精度之间寻找平衡，希望...

语义分割（Semantic segmentatio）是计算机视觉中的关键任务之 一。现实中，越来越多的应用场景需要从影像中推理出相关的知识或语义（即由具体到抽象 的过程）。作为计算机视觉的核心问题，语义分割对于场景理解的重要性日渐突出。