openmmlab打卡笔记6

打卡笔记6

1.语义分割【仅考虑类别】、实例分割【仅考虑实体】、全景分割【前景实体分割】

2.2019年前的语义分割思路

3.先验知识：按照颜色分割【毫无疑问效果差】。

4.基本思路：逐像素分类：决定中心像素类别，缺点，重复计算卷积，效率低下

5.全连接层卷积化？，全卷积网络，即将全连接层卷积化

6.升采样，1，双线性差值【可以用卷积核实现】，2转置卷积，可学习的升采样层

7.FCN【2015oral】，逐像素进行交叉熵损失计算并求和，端到端语义分割网络

8.多次降采样，细节丢失严重，结合低层次和高层次特征图，Unet[2015]高低层次直接相连

9.PSPnet[2016],对特征图进行不同尺度池化，包含局部和上下文特征

10.DeepLab：空洞卷积【不增加参数的情况下增大感受野】，

条件随机场【用能量函数来表示效果，即鼓励在原图颜色边界产生类别变化】

11.恢复降采样，恢复预测图细节，利用上下文信息

1. 评价指标

13.ADE数据集，极高的标注精度

2. 与matting的区别：底层视觉，语义分割有多个类别，matting更偏向于极细粒度分割