分割入门学习

> 语义分割(semantic
> segmention)，也就是通常理解的图像分割，它是一个逐像素的图像分类问题，每个像素预测类别唯一，可数目标与不可数目标都要分类。

> 实例分割(Instance
> Segmentation)，不仅要预测可数目标的语义标签，还有区分个体的ID，语义标签指的是物体的类别，而实例ID则对应同类物体的不同编号，注意不可数目标不需要预测。

> 全景分割(Panoptic Segmentation)，它要求图像中的每个像素点都必须被分配一个语义标签和一个实例id。

入门
maskRCNN
unet
基于PaddlePaddle复现UNet3+
图像分割的打怪升级之路——UNet、PSPNet、Deeplab
Paddle图像分割1，2，3

如何掌握好图像分割算法？值得你看的技术综述

【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码

ECCV2022的RankSeg比较有意思，用一个多标签分类器指导分割模型。首先预测个最可能出现的类别，在此之上分割模型再预测结果，相当于减轻了分割模型的压力。直观上的感觉，模型会更聚焦大类，忽略小类。关于这一点，论文也没展开讨论，感觉未来可以研究一下。增加的多标签分类器，参数量和计算量也没加多少，产品上也可以尝试着看看，还是有一定价值的。