图像分割一些基本操作
下采样:
①降维,减少图片尺寸,减轻计算量
②对卷积得到的Feature MapFeatureMap 进行进一步压缩 通俗的说,实际上就是卷积层之间的池化操作。
上采样:
①升维。
②还原为原尺寸。
卷积层:
(普通卷积、3D卷积、膨胀卷积[空洞卷积 扩张卷积 Dliated convolution]、分组卷积、转置卷积、)
①卷积的作用就是为了将Input的数据做一次特征提取。
批标准化:
Batch Normalization
①加速网络的收敛速度
②控制了梯度消失的问题
③防止过拟合
激活函数层:
sigmoid
tanh
ReLU
Leaky ReLU
Maxout
ELU
池化层:
(最大值池化,平均值池化、求和池化)
①降维,减少网络要学习的参数数量
②防止过拟合
③扩大感受野
④实现不变性(平移、旋转、尺度不变性)
使用顺序:Conv=>BN=>ReLU=>dropout=>Conv
图像分割基础知识
- 感受野 Receptive field
- MIOU评估标准 Modular Input/Output Unit
- 步长 stride
- 边缘填充 padding
- 通道 channel
语义分割概述
分类
- 强监督学习
- 弱监督学习
- 区域自适应
- 多模态数据融合
- 实时数据分割
数据集
- 没有跨域数据集
- 跨域数据集
- 合成数据集
弱监督标签类型
- 图像级标签
- 边框标注
- 涂鸦标注
- 点标注
U2-net
论文学习
《U 2 -Net Going deeper with nested U-structure for salient object detection》
下载链接:https://pan.baidu.com/s/1YqNPxeNmqPnBTiRpofmUcA
提取码:ydsm
tips:最后由于图片太小,所以不进行下采样。如果进行下采样,那么可能丢失重要的特征。并且在这里作者使用了膨胀卷积,因为特征图很小,不需要花费很多的计算和时间来执行膨胀卷积。
GitHub新发现
U2-NET源码
https://github.com/xuebinqin/U-2-Net