深度学习之语义分割算法（入门学习）

已于 2022-11-20 20:41:19 修改
阅读量4.3k 收藏 26
点赞数 4
分类专栏： 语义分割算法 文章标签： 人工智能 深度学习 学习
于 2022-11-15 17:38:26 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/m0_53578855/article/details/127869302
版权

>>>深度学习Tricks，第一时间送达<<<

目录

💡 写在前面

一、前言

二、深度学习的图像分割分类

1.语义分割

2.实例分割

3.全景分割

三、语义分割的基本原理

四、语义分割的常用运算及评价指标

关于算法改进及论文投稿可关注并留言博主的CSDN

>>>一起交流！互相学习！共同进步！<<<

🐱‍🏍 写在前面 ✨

小海带近期对语义分割算法比较感兴趣，今后会不断学习以及更新深度学习图像分割领域的知识，感兴趣的小伙伴可以一起讨论交流哇！关于计算机视觉以及YOLO算法改进方面也会偶尔更新一下下，需要代码咨询的小伙伴可以随时给小海带留言喔 ~ 🤞 💕

一、前言

语义分割初认识——语义分割 (Semantic segmentation) 是指将图像中的每个像素链接到类标签的过程。这些标签可能包括人、车、道路、建筑、花、家具等等。

二、深度学习的图像分割分类

深度学习的图像分割按分割目的可分为语义分割、实例分割以及全景分割三类：

1.语义分割

语义分割(Semantic Segmentation)是对图像中每个像素进行分类，从而将图像分割成几个含有不同类别信息的区域。

2.实例分割

实例分割(Instance Segmentation)是在语义分割的基础上将同类物体中的不同个体的像素区分开。

3.全景分割

全景分割(Panoptic Segmentation)则是语义分割和实例分割的结合。不同于实例分割只对图像中的物体进行检测和分割，全景分割是对图中的所有物体包括背景都进行检测和分割。

 语义分割、实例分割和全景分割三者的区别

三、语义分割的基本原理

基于卷积神经网络的语义分割模型是语义分割的主要方法。

语义分割的原理可概括为：以尺寸为{\color{Green} }H\times W\times 3{\color{Yellow} }的RGB图像作为语义分割模型的输入，其中H代表图像的高，W代表图像的宽，3代表RGB三个颜色通道。语义分割模型对输入交替进行卷积操作、池化操作以及上采样操作，从而得到尺寸为H\times W\times N的输出，其中N代表分类的类别数。在输出的空间维度H\times W上的每一个元素都是含有N个数值的一维向量，若其中的第i个数值最大，则表示该元素对应的像素更可能属于第i类。通过选出每个向量中最大值对应的类别数，可将该输出转变为尺寸为H\times W\times 1的逐像素标签。进一步对每一类像素标签用特定的颜色表示，即可得到输入图像的语义分割结果。

四、语义分割的常用运算及评价指标

语义分割模型会对输入图像交替进行卷积运算、池化运算、以及转置卷积运算，从而将输入图像转变为逐像素标签。在模型的训练过程中，需要依据损失函数来不断更新模型参数，语义分割任务中常用的损失函数是交叉熵损失函数。语义分割任务采用mIoU(mean Intersection over Union)这一指标来衡量语义分割模型的分割性能。

学习内容来源于：​入门|深度学习中的语义分割

关于算法改进及论文投稿可关注并留言博主的CSDN

>>>一起交流！互相学习！共同进步！<<<

加勒比海带66
关注
  • 4
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
机器学习笔记 - 神经网络的类型简介
学以致用 知行合一
12-09 880
卷积神经网络 (CNN) 可用于逐步提取越来越高级别的图像内容表示结果，这一发现标志着图像分类模型的构建取得了重大突破。CNN 不会通过预处理数据得出纹理和形状等特征，而是仅将图像的原始像素数据用作输入，然后“学习”如何提取这些特征，最终推断出这些特征构成的对象。
基于yolov5实现的对家具椅子、沙发的语义分割项目
06-05
基于yolov5实现的对家具椅子、沙发的语义分割项目 教程请参考：https://blog.csdn.net/qq_44886601/category_12605353.html
【计算机视觉 | 语义分割】干货：语义分割常见算法介绍合集（一）
wzk4869的博客
09-13 2217
【计算机视觉 | 语义分割】干货：语义分割常见算法介绍合集（一）
典型语义分割算法
lbr15660656263的博客
06-10 717
目录 一、 FCN全卷积网络 二、 SegNet 三、U-Net 四、DeepLab V1 五、 DeepLab V2 六、 DeepLab V3 七、Mask R-CNN 八、PSPNet 九、 RefineNet 一、 FCN全卷积网络 全卷积网络FCN在会议CVPR 2015的论文 中提出. 它将CNN分类网络（AlexNet, VGG 和 GoogLeNet）修改为全卷积网络， 通过对分割任务进行微调，将它们学习的表征转移到网络中
语义分割算法总结（一）
Liven_Zhu的博客
06-10 2万+
1、什么是语义分割 图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统（具体为街景识别与理解）、无人机应用（着陆点判断）以及穿戴式设备应用中举足轻重。我们都知道，图像是由许多像素（Pixel）组成，而「语义分割」顾名思义就是将像素按照图像中表达语义含义的不同进行分组（Grouping）／分割（Segmentation）。 上面的图片就是一个具体的语义分割的例子。左边的实际图片作为输入...
【YOLO】语义分割和实例分割（四）
Explore_Zhou
10-19 1592
在之前的实践过程中，总结了如何使用YOLOv5进行目标识别，从环境搭建到训练自己的数据集，再到将训练好的模型使用OpenCV部署，这篇文章主要是拓展一下应用领域——语义分割，还是以应用入门为主。
人工智能之语义分割详解
记录 IT 领域经验与见解的博客
05-19 3523
人工智能语义分割是一种计算机视觉技术，它可以将图像中的每个像素按照它的语义分类，例如将每个像素分成“车辆”、“人”、“天空”等类别。语义分割的基本概念是像素分类。语义分割是图像分割的一种，它旨在将图像分成几个物体或区域，并将每个像素标记为属于相应物体或区域的特定类别，以提高图像理解的精度。蒙特卡罗方法可以通过多次采样图像中的像素，并使用机器学习算法来学习每个像素的类别，从而实现图像的语义分割。在医疗图像诊断中，语义分割技术可以帮助将不同的病变分为不同的类别，例如恶性和良性肿瘤，从而提高医生的诊断准确性。
【语义分割】1、语义分割超详细介绍
热门推荐
呆呆的猫的博客
07-19 3万+
图像分割是机器视觉任务的一个重要基础任务，在图像分析、自动驾驶、视频监控等方面都有很重要的作用。图像分割可以被看出一个分类任务，需要给每个像素进行分类，所以就比图像分类任务更加复杂。此处主要介绍 DL-based 方法。encoder：输入图像→resize到特定大小→输入 backbone→得到特征图可选：decode_head[0]：特征图→FCN→类别特征图→求带权重的 loss（权重0.4）
Halcon22.11深度学习语义分割程序
03-10
本文将详细讲解Halcon 22.11版本中的深度学习语义分割程序，以及如何利用其进行训练和推断。 语义分割是深度学习在计算机视觉中的一个重要应用，它的目标是对图像中的每个像素进行分类，以识别出图像中的不同对象和...
基于深度学习U-Net与改进DFAnet的实时语义分割算法python实现源码.zip
12-28
Net与改进DFAnet的实时语义分割算法python实现源码.zip基于深度学习U-Net与改进DFAnet的实时语义分割算法python实现源码.zip基于深度学习U-Net与改进DFAnet的实时语义分割算法python实现源码.zip基于深度学习U-Net与...
深度学习入门之PyTorch代码 廖星宇
06-07
10. **实战项目**：可能包含一些实际的深度学习项目，如图像分类、语义分割、情感分析等，帮助读者巩固理论知识并提高动手能力。 通过阅读和实践这个压缩包中的代码，读者不仅能掌握PyTorch的基本用法，还能深入...
google基于Kubernetes上深度学习入门到实践
03-20
通过深度学习算法，我们可以实现图像分类、目标检测、图像分割等功能。在ImageNet数据集上，深度学习模型可以达到99%以上的准确率。 此外，深度学习技术也广泛应用于自然语言处理领域。通过深度学习算法，我们可以...
基于Unet算法对图像进行语义分割python源码（课程设计）.zip
最新发布
06-26
基于Unet算法对图像进行语义分割python源码（课程设计）.zip基于Unet算法对图像进行语义分割python源码（课程设计）.zip基于Unet算法对图像进行语义分割python源码（课程设计）.zip基于Unet算法对图像进行语义分割...
深度学习应用篇-计算机视觉-语义分割综述[5]：FCN、SegNet、Deeplab等分割算法、常用二维三维半立体数据集汇总、前景展望等
丨汀、的博客
06-09 5037
深度学习应用篇-计算机视觉-语义分割综述[5]：FCN、SegNet、Deeplab等分割算法、常用二维三维半立体数据集汇总、前景展望等
深度学习之DeepLab用于语义分割
大青上的博客
12-16 2万+
摘要 研究点：CNN做语义分割 工程主页：http://liangchiehchen.com/projects/DeepLab.html 主要贡献： atrous conv: 可以控制参与卷积的feature的分辨率 Subsample -> Conv(kernel) 和 AtrousConv(kernel) -> Subsample 等价，且 AtrousConv(kernel) 平移不变
深度学习之语义分割-SegNet
whz1861的博客
01-21 5833
This core trainable segmentation engine consists of an encoder network, a corresponding decoder network followed by a pixel-wise classification layer. 模型 说明：基础模型采用VGG16 去掉fc层，使得encoder网络更小，更易训练 134M –
语义分割的经典学习方法和深度学习方法综述
ShuYunBIGDATA的博客
05-28 1886
语义分割是将标签分配给图像中的像素的过程。这与分类形成了鲜明的对比，在分类中，一个标签被分配给整个图片。语义分割将同一类的多个对象视为一个实体。另一方面，实例分割将同一类的多个对象视为不同的单个对象(或实例)。通常，实例分割比语义分割更难。 语义分割和实例分割之间的比较 本文将探讨一些使用经典和基于深度学习的方法来执行语义分割的方法。此外，还将讨论常用的损失函数的选择和应用。 经典...
深度学习：语义分割 FCN与Unet
weixin_41108334的博客
02-25 1万+
参考：https://blog.csdn.net/wyzjack47/article/details/81107980 图像分割： 什么是图像分割问题呢？ 简单的来讲就是给一张图像，检测是用框出框出物体，而图像分割分出一个物体的准确轮廓。也这样考虑，给出一张图像 Ｉ，这个问题就是求一个函数，从I映射到Mask。至于怎么求这个函数有多种方法。我们可以看到这个图，左边是给出图像，可以看到人和摩...
融合语义分割的orb-slam2
08-12
融合语义分割的ORB-SLAM2是一种在视觉SLAM（Simultaneous Localization and Mapping，即同时定位与建图）系统中引入语义分割信息的方法。ORB-SLAM2是一个经典的基于特征点的SLAM系统，它利用摄像头的视觉信息进行实时定位和建图。 语义分割是一种计算机视觉任务，目标是将图像中的每个像素分配到预定义的语义类别中。在融合语义分割的ORB-SLAM2中，通过将语义分割的结果与ORB-SLAM2的特征点匹配进行融合，可以提供更丰富的场景理解和语义感知。 具体来说，融合语义分割的ORB-SLAM2通常包括以下几个步骤： 1. 预处理：对输入图像进行语义分割处理，得到每个像素的语义类别。 2. 特征提取与匹配：使用ORB-SLAM2提取特征点，并对特征点进行描述子计算。同时，根据语义分割结果，筛选出具有特定语义类别的特征点。 3. 运动估计与优化：使用筛选后的特征点进行相机运动估计和地图优化，得到相机的姿态和三维地图。 4. 语义一致性检测：利用语义分割结果对地图进行语义一致性检测，即保证地图中的语义类别与实际场景一致。 通过融合语义分割信息，ORB-SLAM2可以提供更准确和丰富的场景理解。例如，在室内场景中，可以区分墙壁、地板、家具等不同的语义类别，从而提高定位和建图的精度，并为机器人或无人车等应用提供更多语义感知的能力。
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

打赏作者

加勒比海带66

清风徐来，水波不兴。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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