用PaddlePaddle进行图像分割

用PaddlePaddle进行图像分割

最近百度的视频课程详细的讲解了图像分割的流程和算法。
本文简要的总结一下：

首先使用百度飞浆的框架进行深度学习的计算是非常方便的，它是一个与 Tensorflow 和 PyTorch 类似的深度学习框架
它的优势在于：
    1.可以使用 nodebook 进行基本代码的开发和调试，这个非常方便的，特别是对于研究人员进行一些初步的尝试和简单的性能评估。
    2.百度提供了免费的GPU算力，这个对于在校学生，和中小企业简直是最大的利好，一个8卡的价值不菲啊，一些中小研究机构都不一定有充足的资金来购买，我觉得这是百度对中国整个AI生态作出的最大贡献。
    3.百度有优秀的教师团队，图像分割汇集了来自各大名校的博士，图像分割课程由百度研究院资深研究员朱老师主讲，他多次在顶会国际比赛中取得Top名次，而且他的讲课风格特别“刚”，基本上前一个小时讲课，然后在课堂上用30分钟手敲代码，实际课程中算法。值得围观。有兴趣的同学可以去看一下，课程地址https://aistudio.baidu.com/aistudio/course/introduce/1767

本次课程主要介绍了图像预处理的数据增广方式：
AutoAugment，RandAugment，CutOutRandErasing，HideAndSeek，GridMask，Mixup，Cutmix
同时，课程也带大家一起实现了，随机缩放，随机区域裁剪，图像金字塔，滑窗，等一些具体的图像变换方法。

百度图像分割主要使用的骨干算法有：
    

ResNet,ModelNet,SEResNeXt,Res2Net,DenseNet,HRNet,GoogleNet,Xception,EfficientNet,RegNet 等，
骨干网络并不是本次课程的重点，只是拿来用而已，本次课程的重点放在分割算法：

其中包括图像分割算法：
    DeeplabV3+ , ICNet ,PSPNet,Unet

语义分割算法：
    GCU,GloRe,GINet
课程对GloRe 的公式，进行了详细的讲述
同时对实例分割 ，全景分割 进行了非常详细的讲解
    
    包括实例分割方法： Madk RCNN, SOLO 
    全景分割方法： UPSNet，Panoptic-DeepLab

总之，这是这次课程全面的对图像分割领域进行了描述和展望，同时也对目前已经实现的算法进行了清晰的讲解，是一次非常棒的学习体验，可以使你在一周内学完校园里一个学期的课程。