一、基本概念
将视觉输入分为不同的语义可解释类别；通俗点说就是区分不同部分。
分类：
b)语义分割 c)实例分割 d)全景分割
语义分割一般以平均IOU(Intersection Over Union,并交比)来评价性能，其公式如下：
目的是使得目标与预测尽可能交叠。
除此之外还有可以选择像素正确率：PA=正确像素之和 / 总像素之和
像素正确率平均值：MPA=1 / (k+1)*PA
一般而言语义分割分为以下流程。
输入-->分类器-->后处理-->最终结果
二、DeeplabV3+模型
①网络结构
！DeeplabV3+在编码器部分引入了大量空洞卷积；可以在不损失信息的情况下增大感受野（提升每个卷积输出包含的信息量）
②BackBone
原文采用的主干网络为Xceprion，如算力不足也可用MobileNetV2作为主干网络。
MobileNetV2由Inverted resblock组成，其网络结构如下：
分为左半边的主干部分和右半边的残差部分。主干部分的组成及其作用：
1x1卷积核：升维
3x3卷积核：特征提取
1x1卷积核：降维
！！！一般DeepLabV3中会进行3次或4次下采样（但不会是5次）
使用BackBone提取后会得到两个有效特征层：压缩2次的结果和压缩4次的结果
③加强特征提取结构
可分为两部分：Encoder和Decoder。
④利用特征预测结果
可以分为2步：
1.利用1x1卷积进行通道调整，调整成Num_Class
2.利用resize进行上采样，最终得到和输入图片长宽一致的输出层。（放大）
特别鸣谢Bubbliiiing，大家也可以去看他的原文