paddle图像分割7日打卡心得

本文分享了作者参加Paddle图像分割7日打卡活动的心得体会,从基础概念到全卷积网络、U-Net、PSPNet模型,再到DeepLab系列网络的实践,涵盖了图像分割的多种类型和应用场景。通过学习,作者不仅对图像分割有了深入理解,还掌握了模型搭建、训练和调试技巧。
摘要由CSDN通过智能技术生成

Paddle图像分割7日打卡心得

非常感谢百度Paddle这次的课程,让我对于图像分割有了初步的了解。刚开始报名的时候,以为是一个实践式的课程,开始上课才发现是一个理论为主加代码实践的课程(朱老师的直播代码水平确实很强_)。本来以为可以轻松的状态学习下来,没想到学起来是很懵很充实的,找到了久违的学习感觉。

基础概念

  • 卷积层(convolution layer): 执行卷积操作提取底层到高层的特征,发掘出图片局部关联性质和空间不变性质。
  • 池化层(pooling layer):执行降采样操作。通过取卷积输出特征图中局部区块的最大值(max-pooling)或者均值(avg-pooling)。降采样也是图像处理中常见的一种操作,可以过滤掉一些不重要的高频信息。
  • 全连接层(fully-connected layer,或者fc layer): 输入层到隐藏层的神经元是全部连接的。
  • 非线性变化:卷积层、全连接层后面一般都会接非线性变化函数,例如Sigmoid、Tanh、ReLu等来增强网络的表达能力,在CNN里最常使用的为ReLu激活函数。
  • Dropout: 在模型训练阶段随机让一些隐层节点权重不工作,提高网络的泛化能力,一定程度上防止过拟合。

Class1 图像分割

图像分割类型:

  • 语义分割(课程主要实现):给每个像素点分类
  • 实例分割:给每个框里的object分mask
  • 全景分割:背景像素点分类+框mask

应用场景&#

高分辨率遥感图像语义分割是指对高分辨率遥感图像进行像素级别的分类,将图像中的每个像素点分配到不同的语义类别中。在PaddlePaddle中,可以使用Wide-Context Transformer网络来进行高分辨率遥感图像语义分割任务。这个网络结构是基于Transformer的,通过引入宽上下文信息来提高语义分割的性能。\[1\] 具体的实现过程可以参考论文《Looking Outside the Window: Wide-Context Transformer for the Semantic Segmentation of High-Resolution Remote Sensing Images》中的方法。该方法首先将一张高分辨率遥感图像分割成多个小的224x224的图像块,其中两个图像块作为正例,其余的图像块作为负例。然后,通过特征提取网络对图像块进行特征提取。接着,使用RoIs参数来记录局部特征图的位置,以确保不同图像块的局部特征图在原始图像中相互对应。最后,使用经典的语义分割U型结构对特征进行编码和解码,并通过上采样得到最终的语义分割结果。\[2\]\[3\] 总结来说,高分辨率遥感图像语义分割PaddlePaddle中可以使用Wide-Context Transformer网络进行实现,具体的实现方法可以参考相关论文中的描述。 #### 引用[.reference_title] - *1* *2* [[论文阅读]面向全局:用于高分辨率遥感图像语义分割的宽上下transforms](https://blog.csdn.net/W_zyth/article/details/127228017)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [基于全局和局部对比自监督学习的高分辨率遥感图像语义分割day3 - 网络结构](https://blog.csdn.net/Gw2092330995/article/details/126390230)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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