图像识别技术与应用总结（十七）

图像分割

图像分割：预测目标的轮廓。将不同的像素划分到不同的类别，非常细粒度的分类

图像分割的应用场景

人像抠图，医学组织提取，遥感图像分析，自动驾驶，材料图像等

图像分割的前景与背景

物体Things：可数前景目标(行人等)。

事物Stuff：不可数背景(天空，草地，路面)

图像分割的三层境界

图像分割分为语义分割、实例分割、全景分割

• 语义分割：每一个像素必须只能属于一类，预测结果为掩膜
• 实例分割：只预测前景目标的类别属性以及边框，个体ID，每一个像素可以属于多个IDVOC数据集
• 全景分割：每个像素点分配一个语义类别和一个唯一的实例ID

图像分割的数据集

VOC数据集

VOC数据集：PASCAL VOC挑战赛(The PASCAL Visual Object Classes)是一个世界级的计算机视觉挑战赛

VOC数据集：从2007年开始引进了语义分割和实例分割的标注

VOC数据集：一共2913张图，1464张训练图片，1449张验证图片

Cityscape数据集

Cityscape数据集：50个城市在春夏秋三个季节不同时间段不同场景、背景的街景图

Cityscape数据集：30个类别

Cityscape数据集：5000张精细标注的图像(2975张训练图、500张验证图和1525张测试图)、20000张粗略标注的图像

Cityscape数据集：语义分割和实例分割

COCO数据集

COCO数据集：以场景理解为目标，特别选取比较复杂的日常场景

 COCO数据集：数据集图像特点

COCO数据集：共91类，以人类4岁小孩能够辨识为基准，其中82类有超过5000个instance

语义分割的评估指标

Pixel Accuracy：逐像素分类精度。 ·

Mean Pixel Accuracy：每个类内被正确分类像素数的比例

· IoU：前景目标交并比

· mIoU：每个类的IoU平均值

· FWIoU：根据每个类出现的概率给mIoU计算权重

图像分割网络的两个模块

图像分割网络的两个模块分为卷积模块和反卷积模块

1. 卷积模块：提取特征
2. 反卷积模块：上采样恢复到原图尺度

转置卷积

卷积与反卷积（转置关系，transposed）

典型图像分割网络

• 卷积网络：编码器
• 反卷积网络：解码器