图像分割：预测目标的轮廓。将不同的像素划分到不同的类别，非常细粒度的分类。

图像分割的应用场景

人像抠图，医学组织提取，遥感图像分析，自动驾驶，材料图像等。

图像分割的前景与背景

物体Things：可数前景目标(行人等)。

事物Stuff：不可数背景(天空，草地，路面)。

图像分割的三层境界

语义分割

(semantic segmentation)

实例分割

(instance segmentation)

全景分割

(panoptic segmentation)

语义分割：每一个像素必须只能属于一类，预测结果为掩膜。

实例分割：只预测前景目标的类别属性以及边框，个体ID，每一个像素可以属于多个ID。

全景分割：每个像素点分配一个语义类别和一个唯一的实例ID。

图像分割的数据集

 VOC数据集：PASCAL VOC挑战赛(The PASCAL Visual Object Classes)是一个世界级的计算机视觉挑战赛。

VOC数据集：从2007年开始引进了语义分割和实例分割的标注。

VOC数据集：一共2913张图，1464张训练图片，1449张验证图片。

Cityscape数据集：50个城市在春夏秋三个季节不同时间段不同场景、背景的街景图。

Cityscape数据集：30个类别。

Cityscape数据集：5000张精细标注的图像(2975张训练图、500张验证图和1525张测试图)、20000张粗略标注的图像。

 Cityscape数据集：语义分割和实例分割。

COCO数据集：以场景理解为目标，特别选取比较复杂的日常场景。

COCO数据集：数据集图像特点

COCO数据集：共91类，以人类4岁小孩能够辨识为基准，其中82类有超过5000个instance。

语义分割的评估指标

Pixel Accuracy：逐像素分类精度。

Mean Pixel Accuracy：每个类内被正确分类像素数的比例。

IoU：前景目标交并比。

mIoU：每个类的IoU平均值。

FWIoU：根据每个类出现的概率给mIoU计算权重。

图像分割网络的两个模块

卷积模块：提取特征。

反卷积模块：上采样恢复到原图尺度。

卷积与反卷积（转置关系，transposed）

典型图像分割网络

卷积网络：编码器

反卷积网络：解码器