机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

428

｜

第

14

章

很难进行公平的比较，而这种比较对大多数人都有用，并且可以持续有效几个月以上。

因此我们可以通过在物体周围绘制边界框来定位对象。但是也许你想变得更加精确。让

我们看看如何来下降到像素级别。

14.10 语义分割

在语义分割中，每个像素根据其所属物体的类别（例如，道路、汽车、行人、建筑物等）

进行分类，如图 14-26 所示。请注意，没有区分相同类别的不同物体。例如分割图像右

侧的所有自行车都变成了一大块像素。此任务的主要困难在于，当图像通过常规的 CNN

时，它们会逐渐失去其空间分辨率（由于步幅大于 1 的层），因此常规的 CNN 可能最终

会知道在图像的左下方某处有一个人，但不会比这更精确了。

就像物体检测一样，有许多种方法可以解决此问题，有些方法非常复杂。但是，Jonathan

Long 等人在 2015 年的论文中提出了一个我们之前讨论过的相当简单的解决方法。作

者首先采用经过预先训练的 CNN，然后将其转换为 FCN。CNN 对输入图像应用的总步

幅为 32（如果所有步幅的总和都大于 1），则意味着最后一层输出的特征图是输入图像的

1/32。这显然太粗糙了，因此他们添加了一个单独的上采样层来把分辨率乘以 32。

图 14-26：语义分割

有几种解决方法可用于上采样（增加图像的大小），例如双线性插值，但仅在

×

4 或

×

8

时才有效。取而代之的是，他们使用转置的卷积层

注 33

：等效于首先插入空的行和列（充

满零）来拉伸图像，然后执行常规的卷积（见图 14-27）。另外，有些人更喜欢将其视为 ...