剛剛，谷歌開源了語義影像分割模型 DeepLab-v3+，DeepLab-v3+結合了空間金字塔池化模組和編碼器-解碼器結構的優勢，是自三年前的 DeepLab 以來的最新、效能最優的版本。
GitHub 地址：https://github.com/tensorflow/models/tree/master/research/deeplab
語義影像分割任務是指將語義標籤（例如「道路」、「天空」、「人」、「狗」）分配給影像中的每一個畫素，這種技術有很多新應用，例如，Pixel 2 和 Pixel 2 XL 智慧手機中肖像模式的合成淺景深效應，以及移動裝置的實時語義分割等。分配這些語義標籤的時候需要精準定位目標的輪廓，因此相比其他的視覺實體識別任務（如影像級分類或邊界框級檢測等），該任務需要更高的定位準確率。
今天，谷歌開源了其最新、效能最優的語義影像分割模型 DeepLab-v3+ [1]，該模型使用 TensorFlow 實現。DeepLab-v3+ 模型建立在一種強大的卷積神經網路主幹架構上 [2,3]，以得到最準確的結果，該模型適用於伺服器端的部署。此外，谷歌還分享了他們的 TensorFlow 模型訓練和評估程式碼，以及在 Pascal VOC 2012 和 Cityscapes 基準語義分割任務上預訓練的模型。
自三年前谷歌釋出第一個版本的 DeepLab 模型 [4] 以來，CNN 特徵提取器、目標尺度建模技術、語境資訊處理、模型訓練流程、深度學習硬體和軟體的不斷改進和優化，促使該模型升級到了 DeepLab-v2 [5] 和 DeepLab-v3 [6]。谷歌通過新增一個簡單而有效的解碼器模組以精煉分割結果（尤其是在目標邊界處），將 DeepLab-v3 擴充套件為 DeepLab-v3+。他們還進一步將深度可分卷積（depthwise separable convolution）應用到金字塔型的空洞池化（Atrous Spatial Pyramid Pooling，ASPP）[5, 6] 和解碼器模組上，以得到更快更強大的語義分割編碼器-解碼器網路。
現代語義影像分割系統都是建立在卷積神經網路之上，並達到了五年前無法想象的準確率，這得歸功於方法、硬體和資料集的優化。谷歌希望通過和社群共享該系統，學界和業界能更容易地復現和提升當前最優系統，在新的資料集上訓練模型，以及為該技術開發新的應用。
論文：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
論文連結：https://arxiv.org/abs/1802.02611
摘要：深度神經網路使用空間金字塔池化模組或編碼器-解碼器結構執行語義分割任務。前者通過在多個 rate、多個有效視野上用濾波器探測輸入特徵或執行池化操作，來編碼多尺度的上下文資訊；後者通過逐漸恢復空間資訊來捕捉更加精細的目標邊界。在這項研究中，我們將二者的優勢結合起來。具體來說，我們通過新增一個簡單有效的解碼器模組以精煉分割結果（尤其是目標邊界），將 DeepLab-v3 擴充套件為本文提出的新模型 DeepLab-v3+。我們進一步探索了 Xception 模型，並將深度可分卷積應用到金字塔型的空洞池化（ASPP）和解碼器模組上，以得到更快更強大的編碼器-解碼器網路。我們在 PASCAL VOC 2012 語義影像分割資料集上證明了該模型的有效性，在沒有任何後處理的情況下該模型達到了 89% 的準確率。
參考閱讀：
資源 | 從全連線層到大型卷積核：深度學習語義分割全指南
原文連結：https://research.googleblog.com/2018/03/semantic-image-segmentation-with.html