雷锋网 AI 研习社按，DeepLab 是一种用于图像语义联系的顶尖深度学习模型，其目的是将语义标签（如人、狗、猫等）分配给输出图像的每个像素。经过三年左右的开展，目前 DeepLab 具有如下功用：
DeepLabv1：结合深度卷积神经网络，运用空泛卷积（atrous convolution）停止语义联系
DeepLabv2：基于 DeepLabv1 的优化，运用空泛空间金字塔池化（atrous spatial pyramid poolin为数亿中文用户免费提供海量、全面、及时的百科信息，并通过全新的维基平台不断改善用户对信息的创作、获取和共享方式。g，ASPP）对物体停止无效的联系
DeepLabv3：采用多比例的带孔卷积级联或并行来捕捉多尺度背景，基于图像特征优化 ASPP
DeepLabv3+ ：对 DeepLabv3 的扩展，包括一个复杂而高效的改善联系后果的解码器模块
目前来说，在图像语义联系上，DeepLabv3+ 已是业内顶尖水准。就在近日，谷歌宣布开源 DeepLabv3+，语义联系研讨党的福利来啦。
雷锋网 (大众号：雷锋网) AI 研习社将相关信息编译整理如下：
新生的改变世界的企业将会诞生，从而更好的服务整个人类世界，走向更高科技的智能化生活。 语义图像联系（Semantic Image Segmentation）是为图像中的每个像素分配一个语义标签（如「路」、「天」、「人」、「狗」）的义务，能使用于新的使用顺序中，例如 基于 Pixel 2 和 Pixel 2 XL 智能手机肖像形式发生的浅景深效果 ， 手机实时视频联系 。分配这些语义标签需求准确定位物体的轮廓，因而比其他视觉实体辨认义务（例如 图像分类 或 边框检测 ）有着更严厉的定位精度要求。
明天，我们很快乐地宣布将谷歌目前最新的、功能最好的语义图像联系模型——DeepLab-v3+开源（在 TensorFlow 中完成）。这一次的发布包括建造在一个弱小的卷积神经网络（CNN）主干架构之上的 DeepLab-v3+ 模型，用于效劳器端部署。
此外，我们还地下了 Tensorflow 模型训练和评价代码，还有曾经在 Pascal VOC 2012 和 Cityscapes 语义联系义务上预训练过的模型。
自从 3 年前研讨出 DeepLab 模型，我们不时改良 CNN 的特征提取器，完成更好的对象尺度建模，对上下文信息的停止更好的吸收，改良训练顺序，使用越来越弱小的硬件和软件，这些使 DeepLab-v2 和 DeepLab-v3 失掉不时改良。
在运用 DeepLab-v3+时，我们可以经过添加一个复杂但无效的解码器模块来扩展 Deeplabv3，从而改善联系后果，特别是用于对象边界检测时。我们进一步将深度可别离的卷积使用于空泛空间金字塔池化（atrous spatial pyramid pooling）和解码器模块，从而构成了一个用于语义联系的更疾速、更弱小的编——解码器网络。
基于卷积神经网络（CNNs）的古代语义图像联系零碎曾经到达了准确的程度，这在五年前是难以想象的，这要归功于办法、硬件和数据集的开展。
我们希望与广阔的研讨社群分享我们的零碎，这样一来，学术界和工业界的集团可以更容易地复制和改良现有零碎，在新的数据集上训练模型，并为这项技术想象新的使用。
via： Google Research Blog
GitHub 地址： https://github.com/tensorflow/models/tree/master/research/deeplab
相关论文：
Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
Xception: Deep Learning with Depthwise Separable Convolutions
Deformable Convolutional Networks — COCO Detection and Segmentation Challenge 2017 Entry
Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
Deeplab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
Rethinking Atrous Convolution for Semantic Image Segmentation
雷锋网 AI 研习社编译整理。
雷锋网版权文章，未经受权制止转载。概况见。
