霹雳吧啦wz1

一.语义分割前言

常见分割任务：

语义分割:像素级别的分类,只分割目标，对目标不进行分类    FCN

实例分割：像素级别的分类，对目标进行分类，对同一类别的不同个体进行区分    Msak R-CNN

全景分割：不只对图像进行分割，还包含对图像的上下文信息的理解，以及对其他背景等进行分类  Panoptic FPN

p模式，即一个单通道的图像，每个像素都对应一个颜色，0表示背景，1表示前景，目标边缘处用的像素值为225

真实标签和预测标签：真实标签是人工标注的，预测标签是模型预测的。这个表格表示了真实标签和预测标签之间的对应关系，其中对角线表示预测正确的个数，非对角线表示预测错误的个数。

这是第一个指标/ 目标正确率：预测正确的个数除以元素总个数

这是第二个指标/每个类别的正确率：预测各个标签正确的个数除以其单独元素总个数

mean iou：对于第一个 ：分子是预测正确的个数，分母是真实总个数+预测为0（有错误）的总个数-预测正确为0的个数

语义分割标注工具：

Labelme：人工标记

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

EISeg半自动标注工具 Contrib-EISeg：对于常见的不需要一个个描

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.

个人学习使用，如有抄袭联系删除
 图片借鉴    ：Happy_Cabbage-CSDN博客