每日一课 | 智慧灯杆视觉技术之语义分割

3.2.4语义分割

图3-7所示为机器视觉语义分割示例。

计算机视觉的核心是分割，它将整个图像分成一个个像素组，然后对其进行标记和分类。语义分割试图在语义上理解图像中每个像素的角色（例如，识别它是道路、汽车还是其他类别）。如图3-7所示，除识别人、道路、汽车、树木等外，还必须确定每个物体的边界。因此，与分类不同，需要用模型对密集的像素进行预测。

与其他计算机视觉任务一样，卷积神经网络在分割任务上取得了巨大成功。最流行的原始方法之一是通过滑动窗口进行块分类，利用每个像素周围的图像块，对每个像素

分别进行分类。但是其计算效率非常低，因为我们不能在重叠块之间重用共享特征。解决方案之一就是加州大学伯克利分校提出的全卷积网络（FCN），它提出了端到端的卷积神经网络体系结构，在没有任何全连接层的情况下进行密集预测，如图3-8所示。

图3-8 全卷积网络（FCN）实现像素分类演示

这种方法允许针对任何尺寸的图像生成分割映射，并且比块分类算法快得多，几乎后续所有的语义分割算法都采用了这种范式。