语义分割：

    就是机器自动分割并识别图像中存在的内容以及位置（通过查找属于它的所有像素）。

常见的模型：

U-Net ：

1.网络结构：

2.模型解释：

“编码-解码”结构的典型代表。

网络是一个经典的全卷积网络（即网络中没有全连接操作）。网络的输入是一张 572*572 的边缘经过镜像操作的图片，网络的左侧（红色虚线）是由卷积和Max Pooling构成的一系列降采样操作（称为压缩路径）。压缩路径由4个block组成，每个block使用了3个有效卷积和1个Max Pooling降采样，每次降采样之后Feature Map的个数乘2，因此有了图中所示的Feature Map尺寸变化。最终得到了尺寸为 32*32的Feature Map。

网络的右侧部分(绿色虚线)在论文中叫做扩展路径（expansive path）。同样由4个block组成，每个block开始之前通过反卷积将Feature Map的尺寸乘2，同时将其个数减半（最后一层略有不同），然后和左侧对称的压缩路径的Feature Map合并，由于左侧压缩路径和右侧扩展路径的Feature Map的尺寸不一样，U-Net是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化的（即图1中左侧虚线部分）。扩展路径的卷积操作依旧使用的是有效卷积操作，最终得到的Feature Map的尺寸是 388*388。由于该任务是一个二分类任务，所以网络有两个输出Feature Map。

Deeplab v3+

1.网络结构

2.模型解释

• （1）基于DeepLab v3，将原结构作为编码器，另外加入一个解码器，由此将空间金字塔池化结构的多尺度特征捕捉能力和编码器-解码器结构处理边界细节的能力相结合。

• （2）将Xception中的深度可分离卷积应用到空洞空间金字塔池化（ASPP）和解码模块中，进一步提升速度和精度。

• （3）该算法可以通过调整空洞卷积来控制特征分辨率，从而在精度和速度之间灵活取舍。

Dense Decoder Shortcut Connections for Single

1.网络结构

2.模型解释

基于级联架构与特征级远程跳跃连接。该编码器结合了ResNeXt残余构建块的结构，并采用重复构建块的策略，该构件块聚集了具有相同拓扑的一组变换。

该解码器具有一种新颖的架构，由块组成，这些架构包括（i）捕获上下文信息，（ii）生成语义特征，以及（iii）实现不同输出分辨率之间的融合。