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
评价指标
13.ADE数据集,极高的标注精度
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