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