好吧，實習期間學到的東西超多的，還看了一些語義分割相關的內容，嘿嘿~

綜述：

語義分割簡單來說就是畫素級別的分類問題，以往我們做的分類問題只能分出一張單個圖片物體的類別，然而當這個圖片中有多個物體的時候它可能就會傻眼了（當然用muti-label也可以做，但是一般的分類任務都是單標籤的），而語義分割的作用就是能分出一張擁有多個物體的圖片個各個物品的類別並畫出它的位置，用不同的顏色表示不同的類別，那麼它和同樣可以分出多個物體類別的目標檢測任務有什麼不同呢？如下圖所示：

其中（c）是語義分割Semantic Segmentation，（d）是例項分割Instance Segmentation
可以看出來，分類任務是一個粗粒度的任務，它只能告訴你這張圖片中有哪些類別，你無法知道它的具體位置，目標檢測則能對不同的物體的位置用一個方框進行大致的標記，語義分割任務將位置的標記精確到了畫素級別，甚至可以看出物體的結構和形狀，同一類的物體用同一種顏色表示，例項分割則是對於不同的個體都要有不同顏色去表示它。
針對語義分割任務，我看了一些最經典的論文，如最早的FCN和後來的DeepLab，跑了git上別人復現的DeepLab原始碼，但是這個原始碼沒有加CRF，所以我找了一個FCN+CRF的ipython原始碼，然後把CRF的內容加到了DeepLab的inference中，效果有很大的提升（人眼直觀看來~）

參考資料：