一、图像分割任务介绍
定义：通过对像素点分类，把图像分成若干个具有独特性质的区域并提取感兴趣目标的技术，是图像处理到图像分析的主要步骤。
难点：
*标准难度大，成本高，数据量少
*显存和算力要求高
*边缘部分区分难度大
二、图像分割解决方案之深度学习方法
图像分类到语义分割：FCN
U-Net（轻量级模型，参数少，计算快）、
DeepLab（PASCAL VOC SOTA效果，支持多种Backbone特征提取）、
ICNet（实时轻量化语义分割，适用于高性能预测场景）
实例分割、全景分割
三、评级指标
准确率、召回率 、IOU
Kappa系数：用于一致性检验/衡量分类精度，计算基于混淆矩阵。
四、一个好的分割网络需要考虑的点
上采样：反卷积
底层特征融合：跳跃连接（以一定比例引入底层特征，增加其决策权，可加可乘）
感受野：空洞卷积（增大卷积核的“可触达”区域增加感受野）
多尺度：ASPP（把不同尺度目标交给不同感受野的卷积层来解决，大感受野解决大目标，小感受野解决小目标）
算力及显存：Depthwise卷积（对卷积层分组，减少计算压力）
五、丰富的数据扩充
旋转、Crop、颜色空间扰动、模糊比例控制
