1、多种分割网络优缺点对比
- 全卷积神经网络
- FCN的优点是将分类网改写为用于分割的像素点分类网。具体的改动包括两个方面，即将全连接层改写为卷积层，并且使用反卷积完成上采样的过程；同时使用跳跃连接的结构，将深的粗糙的信息与浅的精细的信息相结合，产生准确和精细的分割。
- 但是缺点也很明显：分割结果不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感；对各个像素进行分类，没有充分考虑像素与像素之间的关系；忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。
- U-Net
优点：
- U-Net模型具有较少的参数，可以在较短的时间内训练，并且可以在较少的训练数据上获得较好的性能。
- U-Net模型具有较强的泛化能力，可以在不同的数据集上获得较好的性能。
- U-Net模型具有较强的特征提取能力，可以提取出较多的细节特征。
缺点：
- U-Net模型的计算量较大，可能会导致训练时间过长。
- U-Net模型的边界检测能力较弱，可能会导致边界检测结果不够准确。
- DeepLabV3+
优点：
- DeepLabV3+模型具有较强的边界检测能力，可以检测出更多的细节特征。
- DeepLabV3+模型具有较强的泛化能力，可以在不同的数据集上获得较好的性能。
- DeepLabV3+模型具有较强的特征提取能力，可以提取出更多的细节特征。
缺点：
- DeepLabV3+模型的参数较多，可能会导致训练时间过长。
- DeepLabV3+模型的计算量较大，可能会导致训练时间过长。
- D-linkNet
优点：
- D-LinkNet在保持详细信息的同时，通过在中心部分扩大感受野，集成多尺度特征，在一定程度上处理道路的窄性、连通性、复杂性和长跨度等属性
- 膨胀卷积是在不降低特征图分辨率的情况下增大特征点的感受野，扩大视野域的另一个好处是可以学习到道路的连通性和跨度特征
