图像分割总结

视频源:图像分割的经典算法

图切割

在这里插入图片描述

在这里插入图片描述

双线性插值上采样

先分别插值得到( R 1 R_1 R1 R 2 R_2 R2)两个蓝色的点,再根据 R 1 R_1 R1 R 2 R_2 R2插值得到P绿色的点。
在这里插入图片描述
作用:

  • 初始化反卷积的权重–最开始的论文常用,但是不好训练,后来用的少
  • 不用反卷积,使用上采样+卷积
  • 只使用上采样

特征金字塔

在这里插入图片描述
(a)对图片进行缩放到不同尺度,然后分别用cnn提取特征然后预测,最简单的图像金字塔,缺点:运算量大

(b)???他没讲好

©一张图片用cnn进行特种提取时用不同的中间层进行预测,再对结果进行融合

(d)特征金字塔网络:只对一张图用cnn提取信息,再把得到的不同尺度的特征图缩放到同一尺寸之后merge到一起,这样得到的特征图既保留了全局信息,也保留了局部信息。
在这里插入图片描述

金字塔池化

在这里插入图片描述
把经过cnn提取特征后的特征图进行不同比例的池化,如上图,红色的保留了较多的全局信息,绿色的保留了较多的局部信息,之后利用上采样恢复到同样的大小。

Mask-RCNN

在这里插入图片描述

Multi_Target Loss

在这里插入图片描述
对提取到的bounding box使用FCN

BInary Mask

在这里插入图片描述

Roi Align

转载自详解 ROI Align 的基本原理和实现细节
ROI Align 是在Mask-RCNN这篇论文里提出的一种区域特征聚集方式, 很好地解决了ROI Pooling操作中两次量化造成的区域不匹配(mis-alignment)的问题。实验显示,在检测测任务中将 ROI Pooling 替换为 ROI Align 可以提升检测模型的准确性。
在这里插入图片描述

目的是将原图中的bounding box对应到feauture map中的bounding box。
外侧蓝框是卷积以后的特征图,肉色的框式bounding box,但bounding box没有能准确对应到每个像素。
为了解决这个问题,作者提出了ROI Align这一改进的方法(如图2)。ROI Align的思路很简单:取消量化操作,使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作,。值得注意的是,在具体的算法操作上,ROI Align并不是简单地补充出候选区域边界上的坐标点,然后将这些坐标点进行池化,而是重新设计了一套比较优雅的流程:

  • 遍历每一个候选区域,保持浮点数边界不做量化。
  • 将候选区域分割成k x k个单元,每个单元的边界也不做量化。
  • 每个单元中 计算固定四个坐标位置(xy坐标),用双线性内插的方法计算出这四个位置的值(该坐标对应的值),然后进行最大池化操作。
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