经典的图像语义分割模型

     经典的基于 CNN 的图像语义分割模型有 FCN、SegNet、U-Net、PSPNet 和 DeepLab，主要针对 FCN、SegNet 和 DeepLab 三个经典模型进行简要介绍。 

     FCN 之所以称为全卷积神经网络模型，是因为 FCN 去掉了图像分类网络中的全连接层，全连接层得到的是整张图像的分类结果，而图像语义分割是实现对每一个像素点的分类，因此去掉全连接层，且去掉全连接层后可使模型适应不同尺寸图像的输入，由于最后的特征图在提取特征过程中会丢失图像位置信息，即得到的特征图像素小于原图像，基于该问题，FCN 利用反卷积（Deconvolution）的方法对特征图进行上采样操作，将其恢复到原始图像尺寸，同时采用跳跃（Skip）结构对不同深度层的特征图进行融合，然后利用监督函数不断进行反向传播，调整学习参数，最后得到最优的参数模型。FCN 的网络结构图如下：

     SegNet 是在 FCN 的基础上进行的改进，同时引入了预训练模型 VGG-16 提取图像特征，SegNet 不同于 FCN，SegNet 采用的是对称的编码器-解码器结构，这种结构主要分为编码器和解码器两个部分，编码器采用 VGG-16 模型对图像进行特征提取，如上图所示，每个编码器包含多层卷积操作、BN、ReLU 以及池化层，其中卷积操作采用的是  same padding 方式，即图像大小不会发生改变，而池化层采用的是步长为 2 的2 × 2的最大池化，会降低图像分辨率，如图中所示，每一层编码器得到的特征图除了传入下一层编码器进行特征提取外，同时要传入对应层的解码器进行上采样，如此一来，有多少层编码器就会对应地有多少层解码器，最终解码器得到的特征图会输入到 SoftMax 分类器中，继而得到最后的预测图。

     DeepLab 模型是图像语义分割领域中非常经典的一个模型，包括 DeepLab  V1、V2和 V3 三个版本，由于 DeepLab V3 是在 DeepLab V2 的基础上进行的改进，因此，本小节只简单介绍 DeepLab V1 和 DeepLab V2。 

     DeepLab V1 借鉴了 FCN 的核心思想，以 VGG-16 作为主干网络，去掉了最后的全连接层，同时也剪掉了两个池化层，池化层是的主要作用是快速地扩大感受野，最大程度地利用上下文信息，但池化层的缺点是会导致图像尺寸缩小，丢失空间位置信息，影响上采样过程中信息的恢复。为了解决这个问题，DeepLab V1 引入空洞卷积，总结来说就是空洞卷积可以在保证参数不增加的前提下扩大感受野，弥补了剪掉池化层导致的感受野变小的问题，同时 DeepLab V1 也引入了条件随机场来增加分割精准性。 

     由于 ResNet 相对于 VGG-16 来说具有更好的表现力，因此 DeepLab  V2 利用ResNet101 预训练模型替换了 DeepLab  V1 中的 VGG-16 模型，同时提出了空洞空间金字塔池化（简称 ASPP），并将该结构融入到了 ResNet101 中，ASPP 的每个分支处设置了不同的空洞率，可以提取到一张图像中大小不同的同种目标。DeepLab V1 和 DeepLabV2 的主要模块分别是 Deep Lab-LargeFOV 和 DeepLab-ASPP，如下图所示。