深度学习（十八）——YOLOv2(2), 语义分割
YOLOv2
Stronger（续）
Hierarchical classification（层次式分类）
ImageNet的标签参考WordNet（一种结构化概念及概念之间关系的语言数据库）。例如：
很多分类数据集采用扁平化的标签。而整合数据集则需要结构化标签。
WordNet是一个有向图结构（而非树结构），因为语言是复杂的（例如“dog”既是“canine”又是“domestic animal”），为了简化问题，作者从ImageNet的概念中构建了一个层次树结构（hierarchical tree）来代替图结构方案。这也就是作者论文中提到的WordTree。
WordTree的细节，更偏NLP一些，这里不再赘述。
参考
https://zhuanlan.zhihu.com/p/25167153
YOLO2
http://blog.csdn.net/jesse_mx/article/details/53925356
YOLOv2论文笔记
http://lanbing510.info/2017/09/04/YOLOV2.html
目标检测之YOLOv2
其它目标检测网络
A-Fast-RCNN
A-Fast-RCNN首次将对抗学习引入到了目标检测领域，idea是非常创新的。
http://blog.csdn.net/jesse_mx/article/details/72955981
A-Fast-RCNN论文笔记
R-FCN
FCN在目标检测领域的应用。
http://blog.csdn.net/zijin0802034/article/details/53411041
R-FCN: Object Detection via Region-based Fully Convolutional Networks
G-CNN
G-CNN是MaryLand大学的工作，论文主要的思路也是消除region proposal，和YOLO，SSD不同，G-CNN的工作借鉴了迭代的想法，把边框检测等价于找到初始边框到最终目标的一个路径。但是使用one-step regression不能处理这个非线性的过程，所以作者采用迭代的方法逐步接近最终的目标。
http://blog.csdn.net/zijin0802034/article/details/53535647
G-CNN: an Iterative Grid Based Object Detector
语义分割
Semantic segmentation是图像理解的基石性技术，在自动驾驶系统（具体为街景识别与理解）、无人机应用（着陆点判断）以及穿戴式设备应用中举足轻重。
我们都知道，图像是由许多像素（Pixel）组成，而“语义分割”顾名思义就是将像素按照图像中表达语义含义的不同进行分组（Grouping）/分割（Segmentation）。
上图是语义分割网络ENet的实际效果图。其中，左图为原始图像，右图为分割任务的真实标记（Ground truth）。
显然，在图像语义分割任务中，其输入为一张HxWx3的三通道彩色图像，输出则是对应的一个HxW矩阵，矩阵的每一个元素表明了原图中对应位置像素所表示的语义类别（Semantic label）。
因此，图像语义分割也称为“图像语义标注”（Image semantic labeling）、“像素语义标注”（Semantic pixel labeling）或“像素语义分组”（Semantic pixel grouping）。
由于图像语义分割不仅要识别出对象，还要标出每个对象的边界。因此，与分类目的不同，相关模型要具有像素级的密集预测能力。
目前用于语义分割研究的两个最重要数据集是PASCAL VOC和MSCOCO。
参考：
https://zhuanlan.zhihu.com/p/21824299
从特斯拉到计算机视觉之“图像语义分割”
https://zhuanlan.zhihu.com/SemanticSegmentation
一个语义分割的专栏
https://zhuanlan.zhihu.com/p/22308032
图像语义分割之FCN和CRF
https://zhuanlan.zhihu.com/p/25515361
图像语义分割之特征整合和结构预测
https://zhuanlan.zhihu.com/p/27794982
语义分割中的深度学习方法全解：从FCN、SegNet到各代DeepLab
https://mp.weixin.qq.com/s/cANlqQAI-A2mC9vnd3imQA
Instance-Aware图像语义分割
https://mp.weixin.qq.com/s/v_TLYYq6cFWuwR9tXM8m-A
如何通过CRF-RNN模型实现图像语义分割任务
https://mp.weixin.qq.com/s/ceCC7Q6yr0QKESeZXi6lWQ
堆叠解卷积网络实现图像语义分割顶尖效果
https://mp.weixin.qq.com/s/4BvvwV11f9MrrYyLwUrX9w
还在用ps抠图抠瞎眼？机器学习通用背景去除产品诞生记
https://zhuanlan.zhihu.com/p/24738319
“见微知著”——细粒度图像分析进展综述
https://mp.weixin.qq.com/s/V4_euZRcyyxeimXAA_waAg
贾佳亚：最有效的COCO物体分割算法
https://mp.weixin.qq.com/s/Amr34SdrPZho1GQpFS7WBA
见微知著：语义分割中的弱监督学习
https://mp.weixin.qq.com/s/mQqEe4LC0VHBH2ZAtFanWQ
基于深度学习的图像语义分割方法回顾
https://mp.weixin.qq.com/s/zOWA1oKbopZJuYIAYYlKTA
港中文-商汤联合论文：自监督语义分割的混合与匹配调节
前DL时代的语义分割
从最简单的像素级别“阈值法”（Thresholding methods）、基于像素聚类的分割方法（Clustering-based segmentation methods）到“图划分”的分割方法（Graph partitioning segmentation methods），在DL“一统江湖”之前，图像语义分割方面的工作可谓“百花齐放”。在此，我们仅以“Normalized cut”和“Grab cut”这两个基于图划分的经典分割方法为例，介绍一下前DL时代语义分割方面的研究。
Normalized cut
Normalized cut （N-cut）方法是基于图划分（Graph partitioning）的语义分割方法中最著名的方法之一，于2000年Jianbo Shi和Jitendra Malik发表于相关领域顶级期刊TPAMI。
通常，传统基于图划分的语义分割方法都是将图像抽象为图（Graph）的形式 G=(V,E) G = ( V , E ) （ V V 为图节点， E E 为图的边），然后借助图理论（Graph theory）中的理论和算法进行图像的语义分割。
常用的方法为经典的最小割算法（Min-cut algorithm）。不过，在边的权重计算时，经典min-cut算法只考虑了局部信息。如下图所示，以二分图为例（将 G G 分为不相交的 A,B A , B 两部分），若只考虑局部信息，那么分离出一个点显然是一个min-cut，因此图划分的结果便是类似 n1 n 1 或 n2 n 2 这样离群点，而从全局来看，实际想分成的组却是左右两大部分。
针对这一情形，N-cut则提出了一种考虑全局信息的方法来进行图划分（Graph partitioning），即，将两个分割部分 A,B A , B 与全图节点的连接权重（ assoc(A,V) a s s o c ( A , V ) 和 assoc(B,V) a s s o c ( B , V ) ）考虑进去：
如此一来，在离群点划分中， Ncut(A,B) N c u t ( A , B ) 中的某一项会接近1，而这样的图划分显然不能使得 Ncut(A,B) N c u t ( A , B ) 是一个较小的值，故达到考虑全局信息而摒弃划分离群点的目的。这样的操作类似于机器学习中特征的规范化（Normalization）操作，故称为Normalized cut。N-cut不仅可以处理二类语义分割，而且将二分图扩展为K路（K-way）图划分即可完成多语义的图像语义分割，如下图例。
