学习笔记-语义分割与实例分割概述

1.语义分割

就是把每个像素都打上标签（这个像素点是人，树，背景等）（语义分割只区分类别，不区分类别中具体单位）

 2.实例分割

实例分割不光要区分类别，还要区分类别中每一个个体

3.损失函数：

逐像素的交叉熵：图像的分割需要对每个像素点进行对比，也就是逐像素交叉熵。函数如下：

表示权重项，后面项表示交叉熵损失函数

4.Focal loss

样本也有难易之分，就跟玩游戏一样，难度越高的BOSS奖励越高

 Gamma通常设置为2，例如预测正样本的概率为0.95，（1-0.95）^2=0.0025，如果预测正样本概率0.5，（1-0.5）^2=0.25（相当于样本的难易权值）。通过Gamm权值体现出哪个像素点贡献大，哪个像素点贡献小。

 （再结合样本数量的权值就是Focal Loss）阿尔法表示正副样本的比例。

 5.IOU计算（Intersection over Union,交并比，是一种评估标准）

多分类任务时：

 x轴表示预测值，y轴表示预测值，例：预测值为狗，真实值也为狗的有801个（也就是做对的个数）。总值=预测为狗的+真实为狗的-801（减801是因为重合部分801加了两次）

实例应用中IOU的计算，下面左图是实际标签值，右图为预测结果图

算出交集以及并集，把两者做个比例就可以算出IOU（下面左图，为上面两张图中黄色部分的交集，右图为黄色部分的并集，IOU=交集/并集）

 MIOU指标：MIOU就是计算所有类别（例如，人，猫，飞机，大炮等等）的平均值，一般当做分割任务评估指标