语义分割

本综述提供了对25种用于图像分割的损失函数的全面且统一的回顾。

语义分割小技巧：选择模型，训练模型，模型改进，理解。

语义分割是计算机视觉领域中的一项任务，旨在将图像中的每个像素分类为不同的语义类别。

针对目前通信局房及其内部通信设施资源数字化工作，提出一套完整的基于人工智能的技术方案，详细论述了SLAM、三维重建、三维语义分割、目标检测、OCR识别等技术在通信机房三维重建、机柜设备属性与标签识别等方面的应用。

近期，清华大学图形学实验室的博士后黄石生、助理研究员穆太江等和香港城市大学傅红波教授合作，提出了一种基于超体素卷积的在线三维语义分割的方法，该方法在在线场景下的三维语义分割准确性、效率性两方面达到了当前最好的水平。

本文将主要介绍计算机视觉中的几个重要的研究方向。主要包括图像分类、目标检测、语义分割、实例分割、全景分割等。通过对这几个计算机视觉任务的对比，我们将更好的理解每个视觉任务的含义以及应用场景。我们将通过这张对比图来对以上的概念进行说明。

计算机视觉的任务很多，有图像分类、目标检测、语义分割、实例分割和全景分割等，那它们的区别是什么呢？

语义分割一直是计算机视觉中十分重要的领域，随着深度学习的流行，语义分割任务也得到了大量的进步。本文首先阐释何为语义分割，然后再从论文出发概述多种解决方案，并介绍目前语义分割领域主流的数据集。本文由浅层模型到深度模型，简要介绍了语义分割各种技术。本文简要地概述了每一篇重要论文的精要和亮点，希望能给读者一些指南。

图像分割中的一些常见的术语有：superpixels（超像素）、Semantic Segmentation（语义分割）、Instance Segmentation（实例分割）、Panoptic Segmentation（全景分割）。他们之间到底有什么区别呢？

一、FCN

1、网络特点

全卷积（Convolutional）
上采样（Upsample）
跳跃结构（Skip Layer）

2、网络结构

3、原理说明

全卷积