一、课程安排
Day1 图像分割综述
Day2 FCN全卷积网络详解
Day3 U-Net/PSPNet 模型详解
Day4 DeepLab系列算法详解
Day5 图卷积算法详解
Day6 实例分割与全景分割综述
Day7 最新研究进展、课程总结
二、 Day1 图像分割综述
-
本课程需要的基础
需要了解一些基本的深度学习概念,如卷积、池化、梯度、反向传播和Tensor的维度;需要有一些Python的基础,如类,继承,函数等;需要有一些图像处理的基础,了解一些OpenCV读取图像函数,如cv.imread()等;需要了解一些Numpy的常见操作。 -
图像分割的应用场景
-
语义分割的基本流程
输入:图像(RGB) 算法:深度学习模型 输出:分类结果(与输入大小一致的单通道图) (语义分割是对图像中每个pixel进行分类)
训练过程:
-输入: image+label
-前向: out=model(image)
-计算损失:loss=loss_func(out,label)
-反向: loss.backward()
-更新权重 :optimizer.minimize(loss)
-
语义分割的常见评估指标
假定一定有k+1类(包括k个目标类和1个背景类),
Pij 表示本属于i类却预测为j类的像素点总数。
Pii: true postives
Pij: false positives
Pji: false negatives(1) pixel accuracy(PA)
分类正确的像素点数和所有的像素点数的比例
(2)Mean Pixel Accuracy (MPA)
计算每一类分类正确的像素点数和该类的所有像素点数的比 例然后再对类求平均。
(3)Mean Intersection over Union (MIoU)
计算每一类的IOU再对所有类求平均。
-
学习心得
老师讲的很好,理论讲得清晰有条理,每节课最后还会讲一些代码,让大家更容易理解,理论和代码结合得很好,有对图像分割感兴趣的小伙伴们可以去听一听《图像分割7日打卡营》,以下是课程链接。
https://aistudio.baidu.com/aistudio/course/introduce/1767 link.
注:
文章中图来自于《图像分割7日打卡营》课节2:图像分割综述PPT;
文章中第4部分语义分割的常见评估指标,来自于文章
https://zhuanlan.zhihu.com/p/61880018 link.
(讲的很清楚且细致)