语义分割
文章平均质量分 58
23岁中单想学python
这个作者很懒,什么都没留下…
展开
-
Semantic Segmentation(语义分割)
end-to-end training(端对端的训练):输入的是原始数据,输出的是最后的结果,假如输入的是提取后的特征或者是降维,分割之后图像输入则不是端对端,机器学习中的难点是特征的选择和提取,而端对端网络则能够自己提取特征,典型的用于语义分割的代表FCN,YOLO。CNN本质的作用还是用来分类,定位的功能其并没有做到。而yolo这种方法就是只通过CNN网络,就能够实现目标的定位和识别。也就是...转载 2018-03-18 16:46:33 · 817 阅读 · 0 评论 -
Mask R-CNN
segmentaion mask:分割掩模。 图像掩模的概念为用选定的图像、图形或物体,对待处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。用于覆盖的特定图像或物体称为掩模或模板。图像掩模主要用于:①提取感兴趣区,用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0。即相当于特征的功能。 Mask R-CNN 简介 它是一...原创 2018-03-21 15:57:32 · 546 阅读 · 0 评论 -
FCN和RPN两种特征提取框架的区别
场景文本检测的难点主要在于目标的方向、形状、尺度变化显著,且自然场景背景复杂。现有的基于深度学习的场景文本检测框架大致分为两类: 一类基于FCN框架提取文本显著图,但此类方法引入大量噪声干扰结果准确性(因为最后要上采样匹配),需对显著图进行后处理(如:反卷积),无法实现端到端; 一类基于RPN框架提取proposal进行分类,但文本目标形状、方向、尺度的变化将proposal的...原创 2018-03-28 13:30:42 · 2674 阅读 · 0 评论 -
语义分割发展史
在深度学习应用到计算机视觉领域之前,研究人员一般使用纹理基元森林(TextonForest)或是随机森林(Random Forest)方法来构建用于语义分割的分类器。 卷积神经网络(CNN)不仅能很好地实现图像分类,而且在分割问题中也取得了很大的进展。 最初,图像块分类是常用的深度学习方法,即利用每个像素周围的图像块分别将各像素分成对应的类别。其中,使用图像块的主要原因是分类网络通常具有全连接...转载 2018-03-29 10:36:57 · 4622 阅读 · 2 评论