OpenMMLab AI实战营 第六课笔记 目录 OpenMMLab AI实战营 第六课笔记1.什么是语义分割 1.1 语义分割的应用 1.1.1 应用:无人驾驶汽车1.1.2 应用:人像分割1.1.3 应用:智能遥感1.1.4 应用:医疗影像分析1.2 几个概念 1.2.1 语义分割 vs 实例分割 vs 全景分割2.语义分割的基本思路 2.1 基本思路:按颜色分割2.2 基本思路:逐像素分类2.3 复用卷积计算2.4 全连接层的卷积化3.深度学习下的语义分割模型 3.1 全卷积网络Fully Convolutional Network 2015 3.1.1 预测图的升采样3.1.2 双线性插值 Bilinear Interpolation3.1.3 卷积实现双线性插值3.1.4 转置卷积 Transposed Convolution3.1.5 全卷积网络的预测与训练3.1.6 基于多层级特征的上采样3.1.7 UNet 20153.2 上下文信息与PSPNet算法 3.2.1 有歧义的区域3.2.2 上下文的重要性3.2.3 获取上下文信息3.2.4 PSPNet 20163.3 空洞卷积与DeepLab系列算法 3.3.1 DeepLab系列 3.3.1.1 空洞卷积解决下采样问题3.3.1.2 空洞卷积和下采样3.3.2 DeepLab模型 3.2.2.1 条件随机场Conditional Random Field,CRF3.2.2.2 能量函数的意义3.2.2.3 空间金字塔池化3.3.3 DeepLab v3+3.4 语义分割算法总结4.语义分割模型的评估 4.1 比较预测与真值4.2 基于交并集的评估指标5.语义分割工具包MMSegmentation 5.1 MMSegmetation概述 5.1.1 算法丰富5.1.2 统计超参5.1.3 全面的性能标定5.2 MMSegmentation的项目结构5.3 分割模型的模块化设计 5.3.1 分割模型的配置文件5.3.2 主干网络的配置5.3.3 ResNet v1c5.3.4 主解码头的配置5.3.5 辅助解码头的配置5.3.6 数据集配置5.3.7 数据处理流水线5.3.8 常用训练策略 1.什么是语义分割 1.1 语义分割的应用 1.1.1 应用:无人驾驶汽车 1.1.2 应用:人像分割 1.1.3 应用:智能遥感 1.1.4 应用:医疗影像分析 1.2 几个概念 1.2.1 语义分割 vs 实例分割 vs 全景分割 2.语义分割的基本思路 2.1 基本思路:按颜色分割 2.2 基本思路:逐像素分类 2.3 复用卷积计算 2.4 全连接层的卷积化 3.深度学习下的语义分割模型 3.1 全卷积网络Fully Convolutional Network 2015 3.1.1 预测图的升采样 3.1.2 双线性插值 Bilinear Interpolation 3.1.3 卷积实现双线性插值 3.1.4 转置卷积 Transposed Convolution 3.1.5 全卷积网络的预测与训练 3.1.6 基于多层级特征的上采样 3.1.7 UNet 2015 3.2 上下文信息与PSPNet算法 3.2.1 有歧义的区域 3.2.2 上下文的重要性 3.2.3 获取上下文信息 3.2.4 PSPNet 2016 3.3 空洞卷积与DeepLab系列算法 3.3.1 DeepLab系列 3.3.1.1 空洞卷积解决下采样问题 3.3.1.2 空洞卷积和下采样 3.3.2 DeepLab模型 3.2.2.1 条件随机场Conditional Random Field,CRF 3.2.2.2 能量函数的意义 3.2.2.3 空间金字塔池化 3.3.3 DeepLab v3+ 3.4 语义分割算法总结 4.语义分割模型的评估 4.1 比较预测与真值 4.2 基于交并集的评估指标 5.语义分割工具包MMSegmentation 5.1 MMSegmetation概述 5.1.1 算法丰富 5.1.2 统计超参 5.1.3 全面的性能标定 5.2 MMSegmentation的项目结构 5.3 分割模型的模块化设计 5.3.1 分割模型的配置文件 5.3.2 主干网络的配置 5.3.3 ResNet v1c 5.3.4 主解码头的配置 5.3.5 辅助解码头的配置 5.3.6 数据集配置 5.3.7 数据处理流水线 5.3.8 常用训练策略