https://blog.csdn.net/poulang5786/article/details/80671185
语义分割：不区分个体。
基本方法1：sliding window.(提取patch.)
图中提取很多块patch，判断中心点的类标。
评价：由于不同patch之间的重叠，方法不好，占用空间大。
优化：一次取整个图的卷积。
提升：Refinement .采用多规模的patch，链接不同大小的patch的信息。（*需要看一下代码细节）
提升：用ml的方法学习如何采样才能提升效果。
基本方法2：FCN.
对图中所有像素分类。
评价：计算量太大，需要采用各种采样操作。
*采样：只有一部分层做原清晰度的处理。另外的做pooling。
*strided_convolution: 每次移动步长非1.
结构：网络分为两个部分。
前半部分：downsampling/upsampling.
后半部分：将经过各种pooling后变小的图恢复原图。unpooling.
<直接pooling、钉床pooling、max unpooling(在pooling时记最大的位置，类似钉床)>
卷积转置 transpose convolution/ back stride convolution.（需要列一下公式自己算算）
Afilter=B =>> B*tf = A 实际采用矩阵运算。
将经过CNN和pooling后输出的图像恢复成原来的图像。
（2015版） 另一种：选取不同的初始位置，卷积时得到多种输出，再恢复。
分类和定位。
Alex网络，现在有两个全连接层，一个是图像目标分类的预测，还有一个是向量（高度，宽度，x，y坐标）代表了目标在图像中的位置。
训练网络时有两组损失，目标分类用softmax损失函数，边界输出损失用L2损失，评定预测边界和真实边界之间的差距。
目标检测：图中类已知（多个类）。
基本方法1：sliding window.（和patch很像）
提取window，判断类。没见过的类单列为background类。
如何选择crop方法是个问题。
方法2（改进1）：R-CNN.
Region proposals + 用CNN分类。+用CNN校正边界。
Region proposals: 传统方法，常用于信号、图像处理。
几秒内查找上千个候选的windows，有噪声，但recall率高。
再用SelectiveSearch 等的方法调查windows.（被CNN替代）
替代：用CNN对候选框分类。
方法3（改进2）：Fast R-CNN.
对整个图像处理。从pixel -> feature map, 再提取proposal.
方法4（改进3）：Faster R-CNN.(NIPS 2015)
用CNN自动选取Proposal.
基本方法2：前馈模型（一次性提取所有对象）
将其视为回归问题。例：YOLO,SSD.
### SSD: 从一个点，选择多个尺寸规模的windows，判断和偏差和类别和置信度等。
基本方法3：R-LCN，二者之间。
实例分割：区分每个实体。
基本方法：
用box做检测，再对每个小部分做分割。
MASK-RCNN(NIPS 2017)
选出Region Proposals, 在其中做SS.
医学图像分割与分析
医学图像分析（百度百科）：https://baike.baidu.com/item/%E5%8C%BB%E5%AD%A6%E5%9B%BE%E5%83%8F%E5%88%86%E6%9E%90/3939451
AI医疗新突破：增强罕见疾病的影像数据集，大幅提高识别准确率：https://www.jiqizhixin.com/articles/2018-07-07-2
医学图像分割综述（中文论文）：file:///C:/Users/T450/Downloads/2002_Medical%20Image%20Segmentation.pdf