霹雳吧啦Wz语义分割学习笔记P1

已于 2022-04-17 11:19:33 修改
阅读量2.5k 收藏 13
点赞数 3
分类专栏： 霹雳吧啦Wz语义分割学习笔记 文章标签： 深度学习
于 2022-04-13 12:25:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kchenlyee/article/details/124140920
版权
本文介绍了语义分割的基本概念，包括将图像中的每个像素进行分类，并详细阐述了PASCALVOC和MSCOCO两种常见数据集的格式。同时，讨论了语义分割结果的呈现方式——单通道图片配合调色板。此外，推荐了Labelme和EISeg两款语义分割标注工具，并提供了它们的使用简介。
摘要由CSDN通过智能技术生成

P1.语义分割前言

1.什么是语义分割

对于图片中的每一个像素进行分类

2.语义分割任务常见数据集格式

PASCAL VOC——PNG图片（P模式）

使用调色板模式存储，图片是一通道，但是每个像素都对应一个颜色（0～255）

像素0对应的是（0，0，0）黑色

像素1对应的是（127，0，0）深红色

像素255对应的是（224，224，129）目标边缘

MS COCO

针对图像中的每一个目标都记录了多边形坐标polygons

3.语义分割得到结果的具体形式

单通道图片，加上调色板变成彩色图片，每个像素数值对应类别索引

4.常见语义分割评价指标

 

 

 

5.语义分割标注工具

Labelme

GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).

Labelme分割标注软件使用_太阳花的小绿豆的博客-CSDN博客_labelme分割

EISeg半自动标注工具 Contrib-EISeg

GitHub - PaddlePaddle/PaddleSeg: Easy-to-use image segmentation library with awesome pre-trained model zoo, supporting wide-range of practical tasks in Semantic Segmentation, Interactive Segmentation, Panoptic Segmentation, Image Matting, etc.

EISeg分割标注软件使用_太阳花的小绿豆的博客-CSDN博客_安装eiseg

Happy_Cabbage
关注
  • 3
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
LeNetL代码 基于霹雳巴拉wz大神的
03-07
同时，也可以学习到这位名为“霹雳巴拉wz”的开发者是如何改进或优化LeNet的。 总的来说，LeNet模型是深度学习的基石之一，它的设计理念和架构至今仍被广泛应用于计算机视觉任务中。理解和掌握LeNet有助于我们更好...
51_霹雳灯.zip
09-16
sbit P1_0 = P1^0;//定义按键端口 sbit P1_1 = P1^1;//定义按键端口 sbit P1_2 = P1^2;//定义 sbit P1_3 = P1^3;//定义按键端口 sbit P1_4 = P1^4;//定义按键端口 sbit P1_5 = P1^5;//定义 sbit P1_6 = P1^6;//定义...
霹雳吧啦wz学习笔记1_卷积神经网络
jennnnnny101的博客
12-02 1170
霹雳吧啦wz学习笔记第一节课
霹雳吧啦Wz语义分割学习笔记P3
快乐卷心菜的博客
04-14 902
P3.FCN网络结构详解 Fully Convolutional Networks for Semantic Segmentation 2015CVPR https://arxiv.org/abs/1411.4038 首个端对端的针对像素级预测的全卷积网络 全卷积：将分类网络中的全连接层全部替换为卷积层 ...
深度学习之图像分割（一）—— 前言（霹雳吧啦wz）
qq_44832832的博客
02-12 550
每一种不同的物体对应的都有一种颜色，例如人对应的就是粉红色使用调色板模式存储，图片是一通道，但是每个像素都对应一个颜色（0～255）像素0对应的是（0，0，0）黑色像素1对应的是（127，0，0）深红色像素255对应的是（224，224，129）目标边缘真实和预测面积的交集比上他们面积的并集。
霹雳吧啦Wz Mask R-CNN网络详解 学习笔记
broadrab的博客
07-30 401
Mask R-CNN是一种目标检测算法，它在 Faster R-CNN 的基础上进行了改进，可以同时实现目标检测和语义分割。Mask R-CNN实现的最主要的功能是他可以对图像进行实例分割。由上图不难看出，语义分割是可以将同一类物体从背景中分割出来并生成物体掩码，而实例分割则对物体进行了更精细的划分，针对不同的物体我们可以看到分割出来的蒙版颜色是不同的，Mask R-CNN能够对每个类别不同的个体实现实例级分割。
霹雳吧啦Wz《pytorch图像分类》-p1卷积神经网络LeNet
xzrrr的博客
12-26 1319
全连接层由许许多多的神经元连接作用是对输入特征进行组合和转换，引入非线性变换，并且能够学习到输入数据中的复杂关系。
实验一_汇编霹雳灯_霹雳灯_霹雳灯c代码_霹雳灯C语言_
10-01
总的来说，"实验一_汇编霹雳灯"是一个很好的学习机会，它将帮助你深入理解计算机底层工作原理，提高编程技能，并掌握如何通过C语言控制硬件资源，实现特定的视觉效果。通过这个实验，你将能够运用汇编语言进行实际的...
霹雳闪光灯电路原理图
08-15
霹雳闪光灯，通常用于摄影领域，特别是在需要高强度瞬间照明的场合，如新闻摄影、舞台演出或夜景拍摄。这种闪光灯能提供远超普通电子闪光灯的亮度，以达到理想的光照效果。本文将深入探讨霹雳闪光灯的电路原理，帮助...
不可控霹雳灯
12-12
"不可控霹雳灯"是一种基于AT89C51单片机设计的电子设备，主要用作教学实践项目，让学生了解和掌握单片机控制电路的基础知识。在这个设计中，"不可控"指的是霹雳灯的效果是固定的，无法根据用户的输入或控制信号进行...
霹雳吧啦Wz语义分割学习笔记P8
快乐卷心菜的博客
04-16 1773
P8.DeepLabV3网络简介 1.前言 Rethinking Astrous Convolution for Semantic Image Segmentation 2017CVPR https://arxiv.org/abs/1706.05587 引入了Multi-grid 改进ASPP结构 移除CRFs后处理 2.关于获取多尺度范围信息的一些可选的架构 a.将图片缩放到不同的尺度，然后分别输入到网络进行正向推理，将多个尺度的输出进行融合得到最终的输出 b.按照分类网络bac
深度学习之图像分割（二）—— 转置卷积（霹雳吧啦wz）
qq_44832832的博客
02-12 608
1.上采样（填充，使输出结果大于输入结果，实现一个上采样）2.转置卷积不是卷积的逆运算3.转置卷积也是卷积。
深度学习之跟学霹雳吧啦Wz笔记
丶玉面小蛟龙的博客
06-03 3717
大佬的B站空间 LeNet:卷积神经网络的第一篇实际应用。 这个网络，大佬视频讲解的很清楚，我个话痴就不多言了。 LeNet代码中学到的新东西 pytorch的数据的格式[batch_size,channel,height,width],即[图片数量，图片深度（通道），图片高度，图片宽度] pytorch的卷积Conv函数（卷积核通道数，卷积核个数，卷积核尺寸，卷积步长，卷积填充） transform函数，作用好像是图像数据预处理成tensor变量，划定尺寸，自定义分割等等。 函数iter(),自动迭代
使用colab训练faster-rcnn pytorch版（代码来源：霹雳吧啦Wz）
Sep21m_wyy的博客
11-09 1197
使用colab跑通霹雳吧啦Wz的faster-rcnn代码： 链接: https://github.com/WZMIAOMIAO/deep-learning-for-image-processing.git 上传之后的目录： 下载预训练权重的链接也在老师的github上 最关键的步骤就是下载预训练权重，以及修改对应代码中的路径（老师使用的是2012，我下载2012没有下载成功，所以使用的是2007）；训练的一些参数设置都在train_res50_fpn.py中可以自己在代码中修改或者运行时指定，我
霹雳吧啦Wz语义分割学习笔记P11
快乐卷心菜的博客
04-21 3761
P11.U-Net网络结构讲解 U-Net:Convolutional Networks for Biomedical Image Segmentation MICCAI 2015 生物医学影像 https://arxiv.org/abs/1505.04597 encoder：左边，特征提取下采样 contracting path decoder：右边，通过一系列上采样得到最后的分割图 expansive path 输入为572x572的单通道图片，通过3x3的卷积层（stride=1，
霹雳吧啦Faster R-CNN理论合集 学习笔记
broadrab的博客
07-29 412
对于RPN生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制，IoU设为0.7，这样每张图片只剩2k个候选框。Fast R-CNN相较于R-CNN，将SVM分类器和边界框回归都并联到一个全连接网络中，极大的提升了网络的速度，但是针对Selective Search算法Fast R-CNN还是没有做到最优化。这些候选区域的特征不需要再重复计算。特征图上位置对于原图，用原图的长宽除以特征图的长宽得到步距，再用滑动窗口在特征图中的坐标乘以步距即可得到在原图中的定位。
【霹雳吧啦】手把手带你入门语义分割9：LR-ASPP 网络模型
作者正在煮茶中...
12-17 1727
这篇文章是我根据 B 站 霹雳吧啦Wz 的《深度学习：语义分割篇章》中所作的第九篇学习笔记，先是介绍了 LR-ASPP 网络，再将其与 DeepLabV3、FCN 网络进行性能对比，然后具体讲解了该网络模型的结构框架，包括论文提出的结构以及 PyTorch 官方实现的结构。作者小白，请多包涵！
深度学习-语义分割篇（霹雳吧啦）
qq_50817335的博客
08-12 120
首个端对端的针对像素级预测的全卷积网络全卷积：将分类网络中的全连接层全部替换为卷积层。
【霹雳吧啦】手把手带你入门语义分割の番外9：U-Net 源码讲解（PyTorch）—— 自定义数据集读取
最新发布
作者正在煮茶中...
01-02 1465
这篇文章是作者根据 B 站 霹雳吧啦Wz 的 《 使用 Pytorch 搭建 U-Net 网络并基于 DRIVE 数据集训练（语义分割） 》系列所作的学习笔记，主要对 my_dataset.py 文件进行具体讲解，介绍了 U-Net 网络中自定义数据集的读取。作者小白，请多包涵！
霹雳吧啦wz图像分类
10-02
霹雳吧啦wz图像分类的代码如下： ```python from PIL import Image import torch from torch.utils.data import Dataset # 自定义数据集处理 class MyDataSet(Dataset): def __init__(self, images_path: list, images_class: list, transform=None): self.images_path = images_path self.images_class = images_class self.transform = transform def __len__(self): # 返回数据集的个数 return len(self.images_path) def __getitem__(self, item): img = Image.open(self.images_path[item]) # 返回路径下的PIL图像 # RGB为彩色图片，L为灰度图片 if img.mode != 'RGB': # 判断是否为 RGB 图像 raise ValueError("image: {} isn't RGB mode.".format(self.images_path[item])) label = self.images_class[item] if self.transform is not None: # transform 对 PIL 读取的图片处理 img = self.transform(img) return img, label @staticmethod def collate_fn(batch): # 官方实现的default_collate可以参考 # https://github.com/pytorch/pytorch/blob/67b7e751e6b5931a9f45274653f4f653a4e6cdf6/torch/utils/data/_utils/collate.py images, labels = tuple(zip(*batch)) images = torch.stack(images, dim=0) labels = torch.as_tensor(labels) return images, labels ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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