//需求分析：
视频图像语义分割；
对街景或高楼的高清视频进行目标检测和语义分割；对每帧的每个点的类别预测；
相比于基于现有的方案进行简单的调参，更鼓励参赛者提出创新的深度学习算法模型解决方案；
//知识储备--目标检测：
目标检测主要有两个不同的思路。一种思路是借鉴语义分割的做法，这方面的工作主要有YOLO和SSD。另一种思路是把目标检测看作分类任务（bounding box里的对象的类别）和回归任务（bounding box的坐标）的组合，主要工作由R-CNN, SPP-Net, Fast R-CNN, Faster R-CNN。总的来说，思路一速度更高，精度稍差，主要用在实时性要求高的场合；思路二速度稍慢，精度更高，是主流方法。（https://www.pianshen.com/article/521528377/）
//Faster R-CNN：
该算法用一个快速神经网络代替了运算速度很慢的选择性搜索算法 ：通过插入区域提议网络（ RPN ），来预测来自特征的建议。 RPN 决定查 看“哪里”，这样可以减少整个推理过程的计算量。
RPN 快速且高效地扫描每一个位置，来评估在给定的区域内是否需 要作进一步处理，其实现方式如下：通过输出 k 个边界框建议，每个边界框建 议都有 2 个值——代表每个位置包含目标对象和不包含目标对象的概率。
//语义分割：
从原理上来说，语义分割就是像素级别的分类，传统的方法也是直接按照这个思路来做的，效率比较低，而从FCN开始，语义分割有了相对比较专用的方法。
0. 重要的数据集：PASCAL VOC和COCO
全卷积网络（ FCN ），它提出了端到端的卷积神经网络体系结构，在没有任何全连接层的情况下进行密集预测。
这种方法允许针对任何尺寸的图像生成分割映射，并且比块分类算法快得多，几乎后续所有的语义分割算法都采用了这种范式。
//实例分割：
实例分割将不同类型的实例进行分类，比如用 5 种不同颜色来标记 5 辆汽车。