翻译自【http://blog.qure.ai/notes/semantic-segmentation-deep-learning-review】 写了一半发现已经有现成的翻译了：【http://www.myzaker.com/article/5968490c1bc8e00302000033/】 大多数对于语义分割的研究，都是基于自然的或者真实世界的图像数据集。尽管这些结果并不能直接应用于医学图像，但是我仍然对这些文献进行了学习，因为这些研究远比医学图像领域内的要成熟。
本报告组织如下： 首先，我解释了什么叫做语义分割；然后，对于现有的方法进行了一个综述；最后简单总结了几篇有意思的文献。
什么是语义分割？
语义分割是给定一幅图像，我们希望能够从像素级别来实现图像理解。也就是说，对于一幅图像，对于其中的每一个像素，我们都能给它分配一个类别标签。举个例子，如下图像：
source：PASCAL VOC2011
除了识别出图像中的摩托车和驾驶员，我们也需要描绘出每一个目标的轮廓。因此，和分类不同的是，我们需要一个模型，对于给定图像，能够实现稠密的，像素级别的预测。
VOC2012和MSCOCO都是语义分割领域内最重要的数据集。
有哪些不同的方法？ 在深度学习全面进入计算机视觉领域之前，语义分割通常是通过TextonForest和Random Forest based classifiers来实现的。正如图像分类一样，卷积神经网络（CNN）已经在分割问题上实现了巨大的成就。
其中一个早期比较流行的深度学习方法是patch classification，对于每一个像素，根据其在图像中的patch，而将其分为某个类。使用patch的主要原因是，分类网络通常都有全连接层，因此需要固定大小的图像。【对于CNN来说，直到第一个全连接层之前，它的输入图片大小是可以不固定的，但是有了全连接层之后，就要求输入大小保持一致，第二种方法是先把任意大小的图片进行输入CNN直到第一个全连接层，然后再在它的基础上进行固定大小的滑动窗口输入到全连接层中，由于第一个全连接层之前进行了大量的下采样操作，所以这时候的滑动窗口的数目就大大的减少了，而且前面的卷积操作就要计算一次，没有重复计算的问题。CNN里面有一个trick就是把训练好了的用于分类的网络，把它的全连接层参数转化为卷积层参数。这样改造后的CNN就成了全卷积CNN，它的输入是可以任意的，而它的输出是patch 的类别得分。本段source】
2014年，Berkeley的Long等人提出了**全卷积网络**Fully Convolutional Networks（FCN）是一个不需要通过全连接层的，用于稠密预测的卷积网络。该方法使得对于任意大小的图像，都能实现有效分割，并且和按patch分类的方法比，要快得多。后续几乎所有的比较先进的方法都是采用了该范例。
除了全连接层，使用卷积神经网络来实现分割的另一个主要问题是池化层（pooling layers）。池化层扩大了视场（filed of view），聚合上下文信息，但是同时丢弃“where”信息（位置信息）。然而，语义分割要求的是对于分类结果的绝对匹配，所以，又需要良好保留“where”信息。因此，为了解决这个问题，有两类网络架构不断发展进化。
第一类就是编码器-解码器架构。编码器能够逐步降低池化层的空间维度，解码器则一步步恢复目标细节和空间维度。通常从编码器到解码器之间，会存在一些快捷的连接（shortcut connections），是的解码器能够更好地恢复目标细节。在这类架构中，U-Net就是非常流行的一个。
source：U-Net
第二类架构，我们称为空洞/带孔卷积（dilated/atrous convolutions） ，去除了池化层。
