图像语义分割FCN

1. Part 1
   概念：图像语义分割(Semantic Segmentation)是图像处理和是机器视觉技术中关于图像理解的重要一环，也是 AI 领域中一个重要的分支。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（如属于背景、人或车等），从而进行区域划分。目前，语义分割已经被广泛应用于自动驾驶、无人机落点判定等场景中。与分类不同的是，语义分割需要判断图像每个像素点的类别，进行精确分割。！图像语义分割是像素级别的但是由于CNN在进行convolution和pooling过程中丢失了图像细节，即feature map size逐渐变小，所以不能很好地指出物体的具体轮廓、指出每个像素具体属于哪个物体，无法做到精确的分割。

---

2. Part 2 CNN: CNN已经在图像分类分方面取得了巨大的成就，涌现出如VGG和Resnet等网络结构，并在ImageNet中取得了好成绩。CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征 ： 1.较浅的卷积层感知域较小，学习到一些局部区域的特征；2.较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。

这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于分类性能的提高。这些抽象的特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体。图像分类是图像级别的

---

Part 3

FCN改变了什么？

FCN提出可以把后面几个全连接都换成卷积，这样就可以获得一张2维的feature map，后接softmax获得每个像素点的分类信息，从而解决了分割问题，

最高维的feature map，我们成为headmap.对headmap上采样（psampling的意义在于将小尺寸的高维度feature map恢复回去，以便做pixelwise prediction，获得每个点的分类信息）到原图尺寸大小，然后对每个像素进行分类



经过多次卷积和pooling以后，得到的图像越来越小，分辨率越来越低。其中图像到 H/32∗W/32 的时候图片是最小的一层时，所产生图叫做heatmap热图，热图就是我们最重要的高维特征图。

得到高维特征的heatmap之后就是最重要的一步也是最后的一步对原图像进行upsampling，把图像进行放大、放大、放大，到原图像的大小。

（也就是将高维特征图翻译成原图时对应的分割图像！！）

最后的输出是21张heatmap经过upsampling变为原图大小的图片，为了对每个像素进行分类预测label成最后已经进行语义分割的图像，这里有一个小trick，就是最后通过逐个像素地求其在21张图像该像素位置的最大数值描述（概率）作为该像素的分类。因此产生了一张已经分类好的图片，如下图右侧有狗狗和猫猫的图。

---

Part 4

什么是上采样？
上采样（upsampling）一般包括2种方式：

1. Resize，如双线性插值直接缩放，类似于图像缩放（这种方法在原文中提到）
2. Deconvolution，也叫Transposed Convolution

---

Part 5

语义分割网络在特征融合时也有2种办法：（与FCN逐点相加不同，U-Net采用将特征在channel维度拼接在一起，形成更“厚”的特征）

1. FCN式的逐点相加，对应caffe的EltwiseLayer层，对应tensorflow的tf.add()

---

Part 6 总结一下，CNN图像语义分割也就基本上是这个套路： 2. 下采样+上采样：Convlution + Deconvlution／Resize 3. 多尺度特征融合：特征逐点相加／特征channel维度拼接 4. 获得像素级别的segement map：对每一个像素点进行判断类别

---

Part 7

Reference
https://blog.****.net/qq_36269513/article/details/80420363
https://zhuanlan.zhihu.com/p/31428783