六篇经典分割算法汇总

文章目录

一、经典分割算法汇总
二、模型图
三、对比和共同点
- ① U-Net、FusionNet
- ② SegNet、DeconvNet
- ③ DeepLab系列
- 1. v1 & v2：DCNN+CRF
- - v1
  - v2-ASPP
  - v1 &v2 优点
- 2. v3
- - 对比v1、v2的改变
  - 并联的ASPP改进
- ④ GCN与ExFuse

一、经典分割算法汇总

FCN： 语义分割端到端训练的开端

U-Net & FusionNet： 医学分割算法当中的一个龙头。FusionNet辅助U-Net得到一个更加完善的一个理解。两个相辅相成

SegNet & DeconvNet： 对称的编码-解码结构的代表。

**DeepLab系列：**从v1到v3+，算法越来越完善，结果越来越好。
v1、v2、v3用来过渡，v3+的参考意义比较大，可以涵盖v1、v2、v3所有的思想。

GCN： 角度一，重用大卷积核。
大卷积核在一开始分类算法AlexNet、LeNet是很常用的。后来VGG开始证明了小的卷积核堆叠也可以替代大卷积核。而且还可以减少计算复杂度，所以后面的分割算法用的都是小的卷积核。

GCN证明大卷积核还是有用的，可以用通过深度可分离卷积的方式来减小计算量，两全其美，都顾及到了效率和精确度这样两个方向。

ExFuse & DFN： 角度二，宏观角度看待语义分割。
ExFuse呢是GCN的一个后续。DFN是另外一个角度。

二、模型图

FCN

U-Net

FusionNet

SegNet

DeconvNet

DeepLab v3+

GCN

ExFuse

DFN

三、对比和共同点

① U-Net、FusionNet

共同点：
下采样与上采样的方式一样，都是max pooling + 反卷积
数量都一样，都是4次。（一般是5次，提取信息全一点）

不同点：
FusionNet 没有尺寸上的变化，严格按照2倍缩小2倍扩大。
中间的内部块不一样。U-Net用的卷积，FusionNet用的“汉堡”，两个卷积中间夹一个残差块。
特征融合方式不一样。U-Net用的concat拼接，通道数翻倍，FusionNet用的sum，逐像素求和点加

② SegNet、DeconvNet

不同点：
反池化与反卷积结合来形成 decoder
encoder 和 decoder 之间加入了全连接

③ DeepLab系列

1. v1 & v2：DCNN+CRF

使用DCNN生成一个粗糙的特征图
使用CRF条件随机场做后处理，使边界信息更加精准平滑

v1

由改编后的vgg16构成的；
卷积替代了全连接；
在最后两个最大池化层（pooling 4、5）之后，不需要进行上采样；
在pooling4、polling5卷积核后面加入了空洞卷积；
整个网络以VGG16为基础，加了预训练权重

v2-ASPP

跟v1相比的提高：
使用了ASPP多尺度提取模块；
扩展了主网络，除了VGG16，还使用了ResNet作为主路径来提取特征；
采用了pollcy学习率，来替代标准学习率

ASPP
更好地提取多尺度特征；
在卷积前，使用多个空洞率，并行的处理特征，有高效的计算效率；
多采样率并行的方式设计ASPP模块

v1 &v2 优点

速度：空洞卷积的算法，使得速度提高很多，DCNN操作8 fps，CRF处理一张0.5s
准确度很高
简单性：DCNN和CRF都是成熟的模块了，只是做个衔接

2. v3

对比v1、v2的改变

① 提出了一个常用的框架，可应用于任何网络；

② 复制的最后一个ResNet的多个副本。
后面的block 5、6、7都是通过复制ResNet block4形成的。没有用到本身的模块，不再下采样，不再引用通道数造成网络负担。第一个版本按照串联排列的，加了ASPP之后也有并联排列的

③ 优化了ASPP模块，在每一个卷积后面都加了BN层。
BN对整个网络效果都有影响

④ CRF取消了

并联的ASPP改进

BN加入到ASPP里面
随着空洞率的增加，在学习的权重越变越小
加入了图像的全局平均池化，在ASPP中进行补偿（思想很像ResNet的残差结构）

一个1×1卷积----三个3×3的卷积（对应的空洞率分别是6,12,18）
都是256个和BN层

在最后加入image-level features，使用全局平均池化

通过ASPP得到的结果，使用concat进行拼接，再进行一个1×1的卷积，作为输出。

④ GCN与ExFuse

共同点：
输入对应的主路径一样，包括尺寸和通道数的设置

不同点：
（1）ExFuse多了SS多监督块
（2）在每个GCN模块之前，ExFuse里提交了SEB多特征融合的小模块来优化结果，消除低级特征与高级特征之间的差距.
（3）ExFuse在Deconv第一个反卷积后面有一个ECRE的提出，（比单纯的拟合反卷积好一点，但是用的不多）
（4）ExFuse没有BR，多了DAP