介绍

语义分割（semantic segmentation）

像素级别的分类，即：区分图片中像素点属于哪一个分类

因此语义分割是从像素级别来理解图像的

如下图：
将图片中每一个像素进行分类，进行标注。识别后，粉色代表人，绿色代表摩托车

语义分割，比图像分类、定位、检测更进一步，像素级别的分类

图像分类：识别图像中的内容，对图片进行分类
定位和检测：识别图像中的内容和位置（通过边界框

语义分割 不区分 属于相同类别的不同实例。也就是说，只能区分像素属于哪一个类别，但不能区分同一类别的不同实例

如下图：
只能区分出 “人”，无法区分“每一个人” 。

如上图，语义分割会将3个人整体的所有像素预测为“人”这个类别。

应用

目前语义分割的应用领域主要有：

语义分割用于从卫星图像中 识别土地类型。典型的用例涉及 分割河流 以提供准确的地图信息。
其他高级用例包括：绘制道路图，确定农作物类型，确定免费停车位等。

语义分割也是无人车驾驶的核心算法技术，用于识别车道，车辆，人和其他感兴趣的对象，然后进行决策，以避让行人和车辆等障碍

目前对自动驾驶汽车的限制之一是：性能必须是实时的。

在智能医疗领域，语义分割主要应用有肿瘤图像分割，龋齿[qǔ chǐ]诊断等。

头部CT扫描紧急护理诊断辅助和肺癌诊断辅助

龋齿诊断

面部的语义分割通常涉及诸如皮肤、头发、眼睛、鼻子、嘴巴和背景等的分类。面部分割在计算机视觉的许多面部应用中是有用的，例如性别、表情、年龄和种族的估计。

细粒度的衣物分类需要基于衣服的语义、人体姿势的可变性和潜在的大量类别的更高级别判断。
在时装行业、电子商务中有重大意义，服装解析在视觉领域中得到积极的研究

比如虚拟试衣

在“数据，算法，计算力”这AI发展的三大驱动力中，眼下最重要的就是数据，数据集在人工智能中有着举足轻重的地位，具体根据不同的应用领域，目前的数据集主要有：

Pascal VOC系列:　http://host.robots.ox.ac.uk/pascal/VOC/voc2012/　通常采用PASCAL VOC 2012，最开始有1464 张具有标注信息的训练图片，2014 年增加到10582张训练图片。主要涉及了日常生活中常见的物体，包括汽车，狗，船等20个分类。
Microsoft COCO:　http://link.zhihu.com/?target=http%3A//mscoco.org/explore/　一共有80个类别。这个数据集主要用于实例级别的分割（Instance-level Segmentation）以及图片描述Image Caption）。
Cityscapes: https://www.cityscapes-dataset.com/ 适用于汽车自动驾驶的训练数据集，包括19种都市街道场景：road、side-walk、building、wal、fence、pole、traficlight、trafic　sign、vegetation、terain、sky、person、rider、car、truck、bus、train、motorcycle 和 bicycle。该数据库中用于训练和校验的精细标注的图片数量为3475，同时也包含了 2 万张粗糙的标记图片。