第一类： FCN（完全卷积网络）
简介;FCN是一种端到端的深度学习图像分割算法，让网络做像素的预测，直接得到label map
传统cnn缺点：存储开销大，效率低下，像素块的大小限制了感受区域的大小
FCN改变了什么：经典的cnn在卷积层之后时使用了全连接层得到固定长度的整个输入图像的概率向量，适合用于图像的分类和回归任务，经过 softmax后可以获得类别概率信息，但是这个概率信息是1维的，只能表示出整个图像的类别，所以这种全连接方法不适用于图像分割。FCN将Cnn的全连接层换成卷积层（1000个节点的全连接层换成1000个1*1的卷积核的卷积层），这样可以得到2维的fp,再通过softmax可以得到每个像素点的类别信息，从而解决分割问题。
FCN结构:FCN可以接受任何尺寸的输入图像，在最后得到的fp后，通过反卷积层进行上采样，使他恢复到输入图像的尺寸，从而可以对每一个像素都产生预测,保留原始图像当中的空间信息。
为啥cnn不能随便尺寸输入：因为cnn的全连接层会得到一个拉直的向量，向量中比方说有n*n个元素，这n*n个元素每个元素当作一个结点与下一层全连接，如果下一层比方说节点数是4096，权值数就是4096*n*n。神经网络结构确定，那么权值数就要确定了，上一层的输出就不能变了，然后倒着往前推，每一层输出都不能变，因此输入就必须得固定。
skip state:由于最后这个特征图太小，容易丢失很多细节，增加一个skip state这样的一个结构，最后一层的预测（局部信息）和更浅层（全局信息）预测结合起来，这样就是既局部还全局。
FCN缺点：实施推理速度不够快，对各个像素进行分类，没有考虑像素与像素之间的一个关系，不容易移植到三维图像当中。
第二类：基于CNN和完全连接的CRF的语义分割算法
FCN可能忽略了有用的场景级语义上下文，为了集成更多上下文信息
cnn+crf>cnn+softmax
fcn得到粗分值图，经过双线性插值上采样恢复分辨率，然后再将它传递给全连接的crf层细化分割结果。最终实验表明：有更高的准确率来定位边界。
第三类：编码器加解码器结构（unet,vnet）
分为一般的分割跟医学图像的分割。
一个是使用从VGG 16层网络采用的卷积层的编码器，另一个是将特征向量作为输入并生成像素级类概率图的反卷积网络。
segnet
SegNet的主要新颖之处在于解码器对其较低分辨率的输入特征图进行升采样。具体来说，它使用在相应编码器的最大池化步骤中计算出的合并索引来执行非线性上采样，从而消除了学习上采样的需求.与其他竞争性体系结构相比，SegNet的可训练参数数量也明显更少并且能够提升边缘刻画度。 (ex:SDN,Linknet,w-net)
segnet的encoder过程中卷积起到提取特征的作用，使用的是same卷积，卷积后不改变图片的大小。同时在decoder过程中，同样是采用了same卷积，作用是upsample之后丰富变大图片的信息
u-net
（医学影像分割的论文几乎都是用u-net来改良的）
在医学图像分割上,在编码器部分，类似于FCN，下采样采用conv3*3，全卷积神经网络。
上采样 conv2*2 ，插值法（不使用转置卷积，为了让特征图保持着均匀的色差）
最后有个1*1（将特征通道数降至特定的数量 )
为了降低在压缩路径当中造成的图像细节损失，作者会将压缩路径当中的fp叠加到拓张路径的相同尺寸的fp上，再进行conv,upsample.以此整合更多更完整的图像信息。
v-net
基于FCN用于3D医学图像分析的图像分割网络。最后输出的是三维的单通道数据，代表每一个像素是前景还是背景的概率，如果概率大于0.5是前景，概率小于0.5是背景。
第四类：多尺度分析跟金字塔网络
尺度：分辨率 多尺度：所训练出来的成功的模型，他在换到另一个尺度下很有可能失效
提出了一个pspnet,实现利用上下文信息的能力来进行场景解析，又到了老生常谈的问题，FCN不能很好的利用全局信息（比如说，FCN非认为右边是车，但是左边就有船坞，他不能利用这种线索来进行一个判断）
DM-Net (Dynamic Multi-scale Filters
Network) Context contrasted network and gated multi-
scale aggregation (CCN) Adaptive Pyramid Context
Network (APC-Net) Multi-scale context intertwining
(MSCI)
第五类：实例分割当中基于r-cnn的模型
r-cnn.fast r-cnn.faster r-cnn mask r-cnn
Mask RCNN使用ResNet+FPN（特征金字塔网络）进行特征提取。顶层特征（最后一层特征图），感受野最大，特征信息最丰富，但对小物体的检测效果并不好。因此，将多个阶段的特征图融合在一起（FPN），这样既有了高层的语义特征，也有了底层的轮廓特征。
RoI Align替代RoI Pooling RoI Pooling有什么问题？经过两次量化，使特征图对应位置不准。
增加Mask分支（语义分割）Mask分支只做语义分割，类型预测的任务交给另一个分支。
