> 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
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。