深度学习之图像分割(语义分割)

深度学习之图像分割

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向,是指通过学习样本数据的内在规律和表示层次,进而挖掘出数据间内在逻辑关系,进行反复学习,最终让机器具有分析数据能力,可以识别文字、图像、声音等数据。



前言

随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人在各个领域开启学习机器学习,在医疗领域深度学习可以发挥识别、分割等作用,在本文就介绍了深度学习中图像分割尤其是语义分割的基础内容。

一、图像分割

将图像分成各个具有相应特性(灰度、颜色、纹理等)的区域并提取出感兴趣的目标的技术和过程即为图像分割

如下图,将不同部分用不同颜色加以区分
请添加图片描述

1.图像分割分类

  1. 实例分割,只提取感兴趣区域,不关注背景,例如道路图片中不同的车子用不同的颜色加以区分,其他黑色
  2. 语义分割,即图片所表达的意义,从相关图像中推理出相关的知识或者语义,是由具体到抽象的过程
  3. 全景分割,实例分割于语义分割结合

二、语义分割

1.实现步骤

训练

根据batch size大小,将数据集中的训练样本和标签读入神经网络。根据实际需要进行预处理(裁剪、数据增强等)

验证
训练一个epoch后,将数据集中的验证样本和标签读入神经网络,并载入训练权重。根据编写好的语义分割指标进行验证,得到当前训练的指标分数,保存对应权重。

测试
所有训练结束后,将数据集中的测试样本和标签读入神经网络,并将保存的最好的权重值载入模型,进行测试。
测试结果分为两种结果,一种是根据常用的指标分数衡量网络性能,另外一种是将网络的预测结果以图片的形式保存。

batch size :一次训练所选取的样本数。
batch:样本,整个训练样本分为几个batch。
epoch:所有训练样本训练一次的过程(整个数据集通过神经网络一次并且返回了一次)。
Iteration:为一次迭代,训练一个Batch就是一次Iteration。

2.语义分割常用指标

Pixel Accuracy (PA像素精度):标记正确的像素占总像素的比例。

请添加图片描述
Mean Pixel Accuracy (MPA均像素精度):计算每个类内被正确分类像素数的比例,再求所有类的平均。

请添加图片描述
Mean Intersection over Union(MIoU 均交并比):计算真实值和预测值的交集和并集。

请添加图片描述请添加图片描述

共有k+1个类,pij表示属于i但是被预测为j。pii表示真正的数量,pij和pji表示假正或者假负。

三、研究意义

  • 地理信息系统
  • 无人车驾驶
  • 医疗影像分析
  • 机器人等领域

总结

以上就是今天要讲的内容,本文仅仅简单介绍了语义分割,语义分割与传统的图像相比使我们对图像有了更加细致的了解,产生准确而精细的分割。当然也存在些问题,如,不匹配关系、不寻常类等。
  • 1
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值