语义分割
文章平均质量分 94
IAz-
这个作者很懒,什么都没留下…
展开
-
[SS]语义分割_Mask R-CNN
Mask R-CNN是一种用于物体检测和语义分割任务的深度学习模型。它是在Faster R-CNN的基础上进行改进的,通过增加一个分割分支,实现了物体检测和像素级别的语义分割。Mask R-CNN通过在RPN(Region Proposal Network)的基础上,增加了一个全连接层来生成每个候选框的分类概率和边界框回归信息。同时,它还为每个候选框添加了一个全卷积网络来生成候选框的mask分割。在训练过程中,Mask R-CNN除了进行物体分类和边界框回归的损失计算,还加入了语义分割的损失计算。原创 2024-03-05 11:03:52 · 1087 阅读 · 0 评论 -
[SS]语义分割_U-Net
U-Net是一种用于生物医学图像分割的卷积神经网络架构。它由Olaf Ronneberger等人在2015年提出,并被广泛应用于医学图像分析领域。U-Net的设计灵感来自于生物医学图像分割任务中常见的数据不平衡问题,即前景(感兴趣区域)与背景之间的像素数量差异很大。为了解决这个问题,U-Net使用了一种称为"U"形结构的编码-解码架构,其中编码器部分用于捕捉图像的上下文信息,而解码器部分用于恢复分辨率和帮助生成准确的分割结果。原创 2024-03-04 11:34:07 · 1071 阅读 · 0 评论 -
[SS]语义分割_DeepLab
(1)、将backbone更换为ResNet;(2)、引入了新结构ASPP。(1)、分辨率被降低,主要由于下采样步距s>1的层导致;(2)、目标的多尺度问题;(3)、DCNNs的不变性会降低定位精度。针对分辨率被降低的问题,通常将最后几个MaxPool层的步距s设置为1,如果是通过卷积下采样的(ResNet),同样将步距s设置为1,配合使用膨胀卷积。针对目标多尺度的问题,将图像缩放到多个尺度分别通过网络进行推理,最后将多个结果进行融合即可,但是这样做的计算量太大。原创 2024-02-29 11:27:41 · 1126 阅读 · 0 评论 -
[SS]语义分割_膨胀卷积
膨胀卷积(Dilated Convolution),也称为空洞卷积(Atrous Convolution),是一种在卷积神经网络中常用的操作。它通过在卷积核的周围插入一定数量的零值来改变卷积核的感受野大小。传统的卷积操作是在输入特征图上滑动卷积核,每次将卷积核中的权重与输入特征图的对应位置进行相乘并求和,从而得到输出特征图中的一个像素值。膨胀卷积则是在滑动卷积核时,通过在卷积核的元素之间插入一定数量的零值来扩大感受野,使得每个卷积核的有效感受野增大。原创 2024-02-28 11:20:08 · 991 阅读 · 0 评论 -
[SS]语义分割_FCN全卷积网络
全卷积网络(Fully Convolutional Networks,FCN)是一种用于语义分割的深度学习网络模型。传统的卷积神经网络(CNN)常用于图像分类任务,但是对于像素级别的语义分割任务,需要输出每个像素的类别标签,CNN的全连接层并不能处理不同输入尺寸的图像,因此不能直接用于语义分割。FCN通过将全连接层替换为全卷积层,实现了端到端的像素级别的语义分割。FCN的网络结构由编码器和解码器组成。原创 2024-01-20 20:04:40 · 1062 阅读 · 0 评论 -
[SS]语义分割_文献摘要
本文基于Sentinel-2时间序列遥感影像,使用DeepLabv3+深度学习语义分割模型生成了济南市中心城区2016年-2020年逐年防尘绿网数据,随后利用景观格局、重心-标准差椭圆等方法分析了其空间分布特征和时空扩张趋势。原创 2024-01-18 21:23:50 · 937 阅读 · 0 评论 -
[SS]语义分割_转置卷积
转置卷积(Transposed Convolution),也被称为反卷积(Deconvolution)或逆卷积(Inverse Convolution),是一种卷积神经网络中常用的操作。转置卷积可以用于图像生成、图像分割、语义分割等任务中。转置卷积的操作实际上是卷积操作的逆过程。在标准的卷积操作中,输入数据经过卷积核的滑动窗口运算,生成输出特征图。而在转置卷积中,输出特征图经过转置卷积核的滑动窗口运算,生成输入数据的近似重构。转置卷积的操作可以用矩阵乘法的方式来实现,也可以用卷积的方式来实现。原创 2024-01-18 10:35:22 · 468 阅读 · 0 评论 -
[SS]语义分割——基础知识
语义分割(Semantic Segmentation)是计算机视觉中的一项任务,目标是将图像中的每个像素按其语义类别进行分类。与传统的目标检测不同,语义分割对图像中的每个像素都进行分类,而不是只关注物体的边界框。语义分割的目标是给图像中的每个像素分配一个类别标签,通常使用颜色编码来可视化不同的类别。例如,将图像中的道路像素标记为蓝色,建筑物像素标记为红色等。语义分割在许多计算机视觉任务中起到重要作用,如自动驾驶、智能监控、图像编辑等。原创 2024-01-17 17:42:13 · 1091 阅读 · 0 评论