目录
- 1.语义分割
- 应用
- 语义分割和实例分割
- 2.语义分割数据集:Pascal VOC2012 语义分割数据集
- 预处理数据:我们使用图像增广中的随机裁剪,裁剪输入图像和标签的相同区域。
- 3.转置卷积 上采样
- 填充、步幅和多通道
- 填充
- 步幅
- 多通道
- 转置卷积是一种卷积:重新排列输入和核
- 转置卷积是一种卷积
- 重新排列输入和核
- 形状转换计算公式
- 代码实现
1.语义分割
它重点关注于如何将图像分割成属于不同语义类别的区域。 与目标检测不同,语义分割可以识别并理解图像中每一个像素的内容:其语义区域的标注和预测是像素级的。 图展示了语义分割中图像有关狗、猫和背景的标签。 与目标检测相比,语义分割标注的像素级的边框显然更加精细。
- 语义分割将图片中的每个像素分类到对应的类别中
应用
- 背景虚化
- 路面分割
语义分割和实例分割
计算机视觉领域还有2个与语义分割相似的重要问题,即图像分割(image segmentation)和实例分割(instance segmentation)。 我们在这里将它们同语义分割简单区分一下。
- 图像分割将图像划分为若干组成区域,这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息,在预测时也无法保证分割出的区域具有我们希望得到的语义。以 上图中的图像作为输入,图像分割可能会将狗分为两个区域:一个覆盖以黑色为主的嘴和眼睛,另一个覆盖以黄色为主的其余部分身体。
- 实例分割也叫同时检测并分割(simultaneous detection and segmentation),它