背景介绍
语义分割:是计算机视觉的基础任务，在语义分割中我们需要将视觉输入分为不同的可解释类别，和聚类分割方法不同点在于此，其类别在真实世界中是有意义的，而聚类分割是可以将物体分成若干部分，但是每一部分不一定是有语义的，在自动驾驶，图像搜索等等领域都是非常重要的。
数据集以及IOU介绍
数据集：为了方便模型调试的方便，我的博客中介绍的数据集是一种简单的Shape数据集，只有1000个训练样本，为了加快训练速度，数据集的大小我也调整为128x128，这个数据集只有三类物体，分别是圆形，三角形和正方形，图像数据为jpg文件，掩模数据为png文件。
mask图像：mask图像给初学者第一眼看上去是懵逼的，当然包括我也是，这不是全黑的图像吗？这有何意义呢？掩模图像的保存是使用8位二进制数，因此它的值为0-255，称之为灰度值。每一个类别用一个数替代，为了使用方便则按顺序使用1，2，3来分别代表圆形，三角形和正方形，其中背景用0表示。在图像中，0为黑色，255为白色，灰度值越接近0，则图像越黑，越接近255则图像越白。因此在这个三类问题中，图像灰度最大为3，当然看起来是黑色的。不信可以对mask乘85则可以看到颜色。
IOU(Intersection Over Union，交并比)：用于评估语义分割算法性能的指标是平均IOU，交并比也非常好理解，算法的结果与真实物体进行交运算的结果除以进行并运算的结果。通过下图可以直观的看出IOU的计算方法。
一些说明
- 在学习的时候，小伙伴可能会遇到一些代码上的困难，如tensorflow，numpy，opencv的用法，可以查看我的深度学习框架和Python常用库相关文章，里面会有一些简单的介绍，小伙伴们可以进行学习，最好是手动敲一敲，看一看。
- 因为这个博客是对学习的一些总结和记录，意在和学习者探讨和交流，并且给准备入门的同学一些手把手的教学，因此关于图像分割的算法参数设计，我都是自己尝试的，不是针对于这个数据集最优的参数，大家可以根据自己的实际需要修改网络结构。
- 实际的工程应用中，常常还需要对数据集进行大小调整和增强，在这里为了简单起见，没有进行复杂的操作，小伙伴们应用中要记得根据自己的需要，对图像进行resize或者padding，然后旋转，对比度增强，仿射运算等等操作，增加模型的鲁棒性，并且实际中的图像不一定按照顺序命名的，因此应用中也要注意图像读取的文件名。
- 为了让学习者看的方便和清晰，我没有使用多个文件对程序进行封装，因为我在刚开始学习模型的时候，查看GitHub代码，一个模型可能需要好几个文件夹，每个文件夹里面又有很多的代码文件，其中很多文件互相调用。虽然这样的工程项目是非常好管理和运行的，但是给初学者一种丈二和尚摸不着头脑的感觉，对此我深有体会。所以我就使用一个.py文件来封装，因此代码可能会有几百行，但是其中的各个函数和类都有自己的名字，可以保证学习者不会被纸老虎吓住。
- 在语义分割学习中，我会列举出一些经典的语义分割模型，因为模型太多，并且仍在不断的更新进步之中，所以大家可以联系我，和我进行沟通和交流，或者推荐给我一些优秀的模型。
- 关于问题的交流，图像的数据，需要的同学可以到主页查看我的QQ或者邮箱，我会非常荣幸的提供力所能及的帮助，小伙伴加好友的时候一定要记得备注，不然我可能会忽视一些粗心的小伙伴。
小结
语义分割是计算机视觉的基础任务，也是非常重要的任务之一，自从深度学习的时代到来，各种神经网络结构百花齐放，很难说出最好的语义分割方法，可能一个方法适用于很多数据，但也不能说明某一个算法一定优于另一个算法，我们要做的就是尽可能多的学习各种各样的深度学习模型，然后吸取这些模型成功的原因，投入到自己的工程应用之中。