本文介绍了语义分割的概念，强调其像素级的细粒度标注，对比了与实例分割和目标检测的区别。接着，讨论了深度学习在图像分割中的发展，特别是FCN的全卷积和反卷积结构。FCN通过反卷积部分恢复原始图像大小，实现像素级别的分类。文章还提到了不同的FCN变体，如FCN-32s,FCN-16s和FCN-8s，并探讨了训练结果和常用的评价指标与标注工具，如Labelme和ElSeg。
目录
6.3 常见标注工具
第六部分6-3 语义分割与FCN
第一章、语义分割要做什么
1.1 语义分割问题
语义分割关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。与目标检测相比，语义分割标注的像素级的边框显然更加精细。
其他分割问题：实例分割：同一类型目标要分出来具体实例
目标检测：标出来外包围矩形
1.2 深度学习图像分割算法发展
第二章、语义分割基本思想
2.1 语义分割目标
目标：对图中每一个像素进行分类，得到对应的标签。
基本思想：滑动窗口（缺点：滑动次数太多，计算慢，重复计算多）
2.2 语义分割基本思想
FCN网络结构：
网络结构分为两个部分：全卷积部分和反卷积部分。全卷积部分借用了一些经典的CNN网络，并把最后的全连接层换成卷积，用于提取特征，形成热点、图；反卷积部分则是将小尺寸的热点图上采样得到原尺寸的语义分割图像。
第三章、反卷积与反池化
3.1 基本概念
1x1卷积：
上池化/反池化：
第四章、FCN具体实现
4.1 FCN实现结构之卷积部分
4.2 FCN实现结构之反卷积部分
反卷积部分：跳级结构：
FCN-32s：
FCN-16s：
FCN-8s ：
第五章、FCN训练结果
第六章、FCN评价指标与标注工具
6.1 常见语义分割评价指标
6.2 常见语义分割评价实例
6.3 常见标注工具
Labelme： 
ElSeg：
24万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
