PaddlePaddle图像分割学习心得

最新推荐文章于 2022-03-08 16:59:28 发布

qinloucha9345

最新推荐文章于 2022-03-08 16:59:28 发布

阅读量440

点赞数

文章标签： 1024程序员节深度学习

本文链接：https://blog.csdn.net/qinloucha9345/article/details/109266664

版权

Paddlepaddle学习心得

非常感谢百度PaddlePaddle的开源，使得我在项目实际问题，比如行人，车辆分割以及度量学习方面获得了很快的进步，学习到了很多的知识。不仅在Windows下可以部署而且在Linux下也可以很顺利的部署。提供的python和C++接口对于初学者和想要进阶的开发者非常友好
图像分割的目的：图像的像素级分类，相比目标检测来说，分类更加精确。图像分割的输入与输出的是一样大小的图像。根据不同的目标分为：语义分割，实例分割，全景分割，视频目标分割以及视频实例分割。同时根据不同的任务和数据类型，又可以分为人像分割，自动驾驶（行人，车辆分割以及车道线检测），医学图像分割（病理分析，CT,MTR等等）还有工业质检（仪器仪表盘读数的分割与读取）
非常感谢百度研发老师的细心讲解图像分割的相关网络，使我明白了每一个网络的结构以及相比以前网络的优势。比如 FCN（fully Convlation Network）出自2015年，第一个图像分割网络。首次使用全卷积网络实现了图像的分割。FCN的优点是图像输入任意尺寸，效率高以及结合了图像的浅层信息。缺点是分割不够精细以及没有考虑上下文信息。
U-net网络作为FCN的改进使用了编码器与解码器的对称结构，同时与FCN不同的是，feature采取的是concat的方式而不是像素级的相加，融合更多的特征分类更加精确
PSPNet是通过增加感受视野结合了上下文信息，使得分割更加精确。最后DeepLab v3老师通过模块化的讲解，在理论和实践过程中很容易理解
5.最后，通过学习百度7日图像分割课程，使得我在模型构建，训练，验证过程PaddlePaddle的编写更加模板化，更加简单。最后的最后非常感谢朱老师，伍老师的精彩讲解。