什么是图像分割
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤
分割是像素级别的（在应用上非常的准求准确）
图像分割的应用
1.医疗分割（CT/MR）
2.自动驾驶
3.卫星定位物体
图像分割的发展
分类–分类加追踪–多分类加追踪–分割
图像分割的分类
普通分割：将不同分属不同物体的像素区域分开
语义分割：像素级别的分割，分类出每一块区域的语义（这块区域是什么物体）
实力分割：在语义分割的基础上，分类出该物体是属于某一类中的哪一种
图像分割的结构
反卷积：可以完全还原一个值（卷积核是定了的）
转置卷积：还原一个完全相同的形状，但是不能完全还原原图
网络是一种哑铃结构，前半段是一个编码结构，经过五次下采样，留下一些比较重要的信息，后半段是一个解码结构，也经过五次上采样将图像还原，然后用输出的图片和做好的标签进行一个BCE，学习一个分布。
下采样的方法：
1.大步长的卷积
2.池化（最大，平均，自适应）
最大池化：提取轮廓，一般用在提取重要信息
平均池化：提取背景，一般在网络最后进行输出时使用
上采样的方法：
1.转置卷积：需要学习，参数较大
2.像素插值：临近，双线性，线性
3.像素融合：通道信息平铺
图像分割的模型
FCN（全卷积模型）
问题：有池化，会丢掉一些信息。跳跃连接的concat数量不足
U-net
上采样用的是插值（临近插值）
下采样改进用的是卷积
U-net在医学上的应用：
医学图片一般都比较大，一般采用分块裁剪下来进行分割，然后在拼接起来
U-net++：
U-net++的deep supervision
u-net++有很多的损失，每一层都有一个loss的输出，四个损失相符促进。
深监督还有一种剪枝的作用，如果那一层的损失和最后的损失的值相差不大的话，就可以对后面的损失进行一个剪枝。
U²-NET
每一个U-net都进行拼接起来，即刚开始用较大的U-NET提取主要信息，往下用小的U-net提取背景信息，在拼接起来。
DeepLab
网络结构：