opennmmlab实战营二期-mmsegmentation理论课(八)
opennmmlab实战营二期-mmsegmentation理论课(八)
前言
-
mmsegmentation算法库的介绍
比如特点、模型库、数据集、应用场景(医疗、遥感、生活、工业) -
什么是语义分割
将图像按照物体的类别分割成不同的区域==对每个像素进行分类
应用:无人驾驶汽车、人像分割(抠图)、卫星遥感、医疗影像分析(x光、ct片分割病灶区域) -
语义分割vs实例分割vs全景分割
语义分割的基本思路
- 按颜色分割,但存在一些问题:
- 逐像素分类:
深度学习下的语义分割模型
全卷积网络
升采样:
双线性插值:
使用卷积实现双线性插值:
转置卷积:
全卷积网络的预测与训练:
基于多层级特征的上采样:
unet:
上下文信息与PSPNet模型
图像周围的内容(也称上下文)可以帮助做出更准确得到判断。
PSPNet:
空洞卷积和DeepLab模型
DeepLab系列:
空洞卷积:
DeepLab模型:
条件随机场CRF:
空间金字塔池化ASPP:
DeepLab v3+:
语义分割算法总结
语义分割前沿算法
SegFormer、K-Net、MaskFormer、Mask2Former、Segment Anything(SAM)、
分割模型的评估
取交集或并集:
实践mmseg
预知如何实现,请见下回分解!