0
雷鋒網 AI 研習社按，DeepLab 是一種用于圖像語義分割的頂尖深度學習模型，其目標是將語義標簽（如人、狗、貓等）分配給輸入圖像的每個像素。經過三年左右的發展，目前 DeepLab 具有如下功能：
DeepLabv1：結合深度卷積神經網絡，使用空洞卷積（atrous convolution）進行語義分割
DeepLabv2：基于 DeepLabv1 的優化，使用空洞空間金字塔池化（atrous spatial pyramid pooling，ASPP）對物體進行有效的分割
DeepLabv3：采用多比例的帶孔卷積級聯或并行來捕獲多尺度背景，基于圖像特征優化 ASPP
DeepLabv3+ ：對 DeepLabv3 的擴展，包括一個簡單而高效的改善分割結果的解碼器模塊
目前來說，在圖像語義分割上，DeepLabv3+ 已是業內頂尖水準。就在近日，谷歌宣布開源 DeepLabv3+，語義分割研究黨的福利來啦。
雷鋒網 AI 研習社將相關信息編譯整理如下：
語義圖像分割（Semantic Image Segmentation）是為圖像中的每個像素分配一個語義標簽（如「路」、「天」、「人」、「狗」）的任務，能應用于新的應用程序中，例如基于 Pixel 2 和 Pixel 2 XL 智能手機肖像模式產生的淺景深效果，手機實時視頻分割。分配這些語義標簽需要精確定位物體的輪廓，因此比其他視覺實體識別任務（例如圖像分類或邊框檢測）有著更嚴格的定位精度要求。
今天，我們很高興地宣布將谷歌目前最新的、性能最好的語義圖像分割模型——DeepLab-v3+開源（在 TensorFlow 中實現）。這一次的發布包含建造在一個強大的卷積神經網絡（CNN）主干架構之上的 DeepLab-v3+ 模型，用于服務器端部署。
此外，我們還公開了 Tensorflow 模型訓練和評估代碼，還有已經在 Pascal VOC 2012 和 Cityscapes 語義分割任務上預訓練過的模型。
自從 3 年前研究出 DeepLab 模型，我們不斷改進 CNN 的特征提取器，實現更好的對象尺度建模，對上下文信息的進行更好的吸收，改進訓練程序，應用越來越強大的硬件和軟件，這些使 DeepLab-v2 和 DeepLab-v3 得到不斷改進。
在使用 DeepLab-v3+時，我們可以通過添加一個簡單但有效的解碼器模塊來擴展 Deeplabv3，從而改善分割結果，特別是用于對象邊界檢測時。我們進一步將深度可分離的卷積應用于空洞空間金字塔池化（atrous spatial pyramid pooling）和解碼器模塊，從而形成了一個用于語義分割的更快速、更強大的編——解碼器網絡。
基于卷積神經網絡（CNNs）的現代語義圖像分割系統已經達到了精確的水平，這在五年前是難以想象的，這要歸功于方法、硬件和數據集的發展。
我們希望與廣大的研究社群分享我們的系統，這樣一來，學術界和工業界的團體能夠更容易地復制和改進現有系統，在新的數據集上訓練模型，并為這項技術設想新的應用。
GitHub 地址：https://github.com/tensorflow/models/tree/master/research/deeplab
相關論文：
Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
Xception: Deep Learning with Depthwise Separable Convolutions
Deformable Convolutional Networks — COCO Detection and Segmentation Challenge 2017 Entry
Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
Rethinking Atrous Convolution for Semantic Image Segmentation
雷鋒網 AI 研習社編譯整理。
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
