圖像分割（image segmentation）是根據(jù)灰度、色彩、空間紋理、幾何形狀等特征將圖片分成若干個特定的、具有獨特性質(zhì)的區(qū)域，并提出感興趣目標的技術和過程。

目前圖像分割發(fā)展出以下幾個子領域：

語義分割（semantic segmentation）

是將輸入圖像中的每個像素點預測為不同的語義類別。更注重類別之間的區(qū)分，會重點將前景里的車輛和背景里的房屋、天空、地面分割開，但是不區(qū)分重疊車輛。主要有FCN，DeepLab，PSPNet等方法。

實例分割（instance segmentation）

是目標檢測和語義分割的結(jié)合，將輸入圖像中的目標檢測出來，對目標包含的每個像素分配類別標簽。更注重前景中目標個體之間的分割，背景的房屋、天空、地面均為一類。主要有DeepMask，Mask R-CNN，PANet等方法。

全景分割（panoptic segmentation）

是語義分割和實例分割的綜合，旨在同時分割實例層面的目標（thing）和語義層面的背景內(nèi)容（stuff），將輸入圖像中的每個像素點賦予類別標簽和實例ID，生成全局的，統(tǒng)一的分割圖像。

01 全景分割的應用與發(fā)展

從輸入數(shù)據(jù)上分類，全景分割可以分為基于RGB圖像的全景分割和基于點云數(shù)據(jù)的全景分割。

基于RGB圖像的全景分割算法可以分為三類。

1.box-based，thing和stuff使用不同的分支預測，其中thing的分割基于目標檢測boxes。

如Panoptic FPN模型，首先進行特征提取，然后接兩個分支分別預測實例分割和語義分割。其中實例分割分支的預測過程是先預測出實例的boxes，再在每個box的范圍內(nèi)預測出對應的實例分割，所以box-based的全景分割最終的預測結(jié)果主要取決于boxes的預測精度。語義分割分支直接預測輸出結(jié)果。最后融合兩個分支結(jié)果得到全景分割。

由于通過兩個分支分別預測thing和stuff，會導致出現(xiàn)兩個分支預測結(jié)果有重合區(qū)域，后處理去重過程和NMS比較類似：

(1)根據(jù)不同thing的置信度來去除重疊部分；

(2)以thing優(yōu)先原則去除thing和stuff之間的重疊部分；

(3)去除stuff標記為“其他”或者低于給定面積閾值的區(qū)域。

上述模型中

使用FPN（Feature Pyramid Network）特征金字塔網(wǎng)絡作為主干網(wǎng)絡。使用一個標準的網(wǎng)絡提取多個空間位置的特征，再在網(wǎng)絡的最高層開始上采樣并和對應的特征提取網(wǎng)絡橫向連接，生成多個尺度的特征圖，從而獲得多尺度的語義信息。

因為網(wǎng)絡高層的特征雖然包含了豐富的語義信息，但是由于低分辨率，很難準確地保存物體的位置信息。與之相反，低層的特征雖然語義信息較少，但是由于分辨率高，就可以準確地包含物體位置信息，所以通過融合這些不同層的特征能達到識別和定位更準確的預測效果。

FPN可以應用到各種網(wǎng)絡模型，提升模型效果。如目標檢測模型Faster R-CNN，實例分割模型Mask R-CNN，以及下述全景分割網(wǎng)絡Panoptic FCN。

特征金字塔網(wǎng)絡

2.box-free，thing和stuff使用不同的分支預測，先預測語義再生成實例，不需要先進行目標檢測。

如Panoptic-DeepLab模型，去除了Panoptic FPN的box預測部分，直接預測出thing和stuff。為了得到目標實例預測，在實例分割分支同時預測了每個實例的中心點及其heatmap，得到像素點與實例關鍵點之間的關系，并依此融合形成類別未知的不同實例，另外語義分割分支直接預測輸出，最后結(jié)合兩個分支輸出得到全景分割的結(jié)果。

與box-based方法相比，去除了boxes預測步驟，推理速度更快，減少了由于boxes的限制對分割精度的影響。

3.thing和stuff完全使用相同的結(jié)構(gòu)進行預測，如Panoptic-FCN。

Panoptic FCN是將thing和stuff統(tǒng)一成特征描述子（kernels）來進行預測。主要由FPN、Kernel Generator、Kernel Fusion和Feature Encoder四個部分組成。

先通過FPN得到多尺度特征圖，對每個特征圖的thing和stuff生成kernels權(quán)重，然后通過Kernel Fusion對多個特征圖的kernels權(quán)重進行合并。

Kernel Generator由Kernel Head和Position Head兩個分支構(gòu)成，首先同時預測thing和stuff的位置，其中，thing通過預測中心點（centers)來定位和分類，stuff通過預測區(qū)域（regions）來定位和分類，然后根據(jù)thing和stuff的位置，從Kernel Head中產(chǎn)生kernels權(quán)重。Feature Encoder用來對高分辨率特征進行編碼，最后將得到的kernels權(quán)重和編碼特征融合得到最終預測結(jié)果。

上述的box-based和box-free全景分割都是將thing和stuff拆分成兩個分支來進行預測的，這必然會引入更多的后處理還有設計不同分支信息融合的操作，使得整個系統(tǒng)既冗余又復雜。

Panoptic FCN實現(xiàn)了真正的端到端全景分割，省去了子任務融合的操作，推理速度快，效果好。

02 全景分割在自動駕駛中的應用

1.可行駛區(qū)域識別，分割路面及車道線確定機動車行駛區(qū)域或者當前車道區(qū)域等。

由于這種區(qū)域通常是不規(guī)則多邊形，所以使用分割是一種比較好的解決方法。但是也存在邊緣分割不準確的問題。

2.判斷碰撞區(qū)域內(nèi)是否有車輛、行人，與目標檢測相比，分割能更精確表示車輛及行人的邊界位置。但是圖像中目標重疊時，存在像素分配沖突問題。

03 示例圖

1、ADAS視角城市道路全景分割。