深度学习—图像分割

0、图像语义分割的问题定义

　　语义分割是在像素级别上，自动理解或预测图像中的每个像素所属的物体类别

　　语义分割

 

1、全卷积网络FCN

　　没有全连接层，只有卷积层，且在进行卷积后，需将特征图恢复到原始图像的大小

　　　　通道数和特征保持一致

 

　　算法原理

 

 

　　神经网络结构

 

　　损失函数

 

2、U-Net

　　U-Net将浅层网络中的输出和深层网络的合并输出

　　同样需要将特征图恢复到原始图像的大小

　　第一阶段：长度表示尺寸，宽度表示通道数，每一层进行一次池化（尺寸是上一层的1/2），卷积时都是3×3的卷积核；

　　第二阶段：长度表示尺寸，宽度表示通道数，每一层进行一次反卷积（尺寸是上一层的2倍，通道数是上一层的1/2），再与第一阶段中相同尺寸通道的特征图像进行Concatenate，卷积时都是3×3的卷积核；

　　第三阶段：最后进行一次卷积，使得通道数与分割类别数量保持一致。

 

3、U-Net++

　　引入中间层的卷积，以实现逐渐过渡，逐渐融合

 

知识产权声明: 本博文中的ppt素材及相关内容和知识产权，均属于河南大学张重生老师所讲授的《深度学习》课程及张重生老师在2025年出版的著作《新一代人工智能 从深度学习到大模型》（机械工业出版社）。特此声明。

真挚地感谢张重生老师在本人于河南大学学习期间的教导。