胡朝阳 汪国有

（华中科技大学人工智能与自动化学院 武汉 430074）

1 引言

语义分割是计算机视觉领域一个基本的命题，其思路就是为图像中每一个像素打类别标签。2012 年，随着Hinton 在目标识别领域应用深度神经网络（CNN［1］），CNN 在计算机视觉领域得到了广泛的应用。相比于传统特征如HOG［2］、SIFT［3］、Surf［4］，深度特征表达能力更强，但CNN 只提供了更加强有力的特征表述，无法对场景中对象的上下文有效的建模，而上下文无处不在，上下文是一个对象与其相邻对象或图像块之间的语义相容关系，这种相容关系表示视觉模式的共存，例如，汽车可能会出现在道路上，玻璃杯可能会出现在桌子上。

随着CNN的发展，FCN［5］率先将CNN应用到语义 分 割 领 域 ，随 之 SegNet［6］、U-Net［7］、LDN［8］、PSPNet［9］等都取得了很好的分割结果。FCN 是将普通CNN 的全连接层转换为一个个卷积层，网络是一个全卷积网络，模型对经过卷积及池化下采样之后的特征图上的每一个点进行分类。FCN 的优势在于可以接受任意大小的图像，但是每个点在分类时没有考虑像素之间的关系，忽略了像素的空间一致性，缺乏上下文信息。为了利用上下文信息，SegNet 采用特征下采样-上采样的流程，下采样过程使得深度特征拥有更大的感受野，包含更多的上下文信息，而上采样则是提高了特征的分辨率。网络的整体结构呈U型。类似的还有U-Net、LDN，和SegNet非常相似，都是利用U 型结构来获取上下文信息。PSPNet 则是在未采用U 型结构的前提下提出了空间金字塔池化模块，该模块融合多个尺度上下文信息，辅助网络做更加精准的判断，但获取上下文的方式过于生硬，没有考虑目标本身的外观特征。……