![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分割
文章平均质量分 79
TechMasterPlus
本人拥有机械和计算机多年的技术经验和深厚的学术背景,内容涵盖了计算机科学、软件开发、人工智能、机器人控制、机械设计等多个领域,本人致力于计算机开发,持续分享更多有价值有意义的分享。
展开
-
Unet系列网络解析
当然,也有些同学会说,这个算法中的一些思想很多人在以前也有提出,比如下采样或是多尺度的思想,但是有一个问题,在众多思路中寻找合理的方法进行组合与重构以达到更有效的结果也是一种巨大的创新和进步。在encoder操作中,采用了5个池化层(在实际应用中也有采用4个池化层的操作),在不断的下采样过程中不断的降低分辨率以获得不同尺度的图像信息,图像的信息由底层信息中的点、线、梯度等信息逐渐向高程信息中的轮廓以及更抽象的信息过度,整个网路完成了“由细到粗”特征的提取与组合,使UNet得到的信息更加全面。原创 2024-01-15 22:35:12 · 3451 阅读 · 0 评论 -
语义分割数据集
数据集描述原创 2024-01-15 11:03:53 · 980 阅读 · 0 评论 -
图像分割deeplab系列
DeepLab系列是谷歌团队提出的一系列语义分割算法。DeepLab v1于2014年推出,并在PASCAL VOC2012数据集上取得了分割任务第二名的成绩,随后2017到2018年又相继推出了DeepLab v2,DeepLab v3以及DeepLab v3+。DeepLab v1的两个创新点是空洞卷积(Atros Convolution)和基于全连接条件随机场(Fully Connected CRF)。原创 2024-01-12 21:41:05 · 1073 阅读 · 0 评论 -
语义分割发展现状
图像分割截止2018年的发展现状原创 2024-01-12 21:12:53 · 1380 阅读 · 0 评论 -
【图像分割】理论篇(2)经典图像分割网络基于vgg16的Unet
UNet 的核心思想是将编码器和解码器结合在一起,形成一个 U 字形的网络结构。编码器部分用于逐渐减少空间分辨率和提取高级特征,而解码器部分则逐渐恢复分辨率并生成与输入图像相同大小的分割结果。UNet 的设计使得它能够在较小的数据集上有效地训练,并且在医学图像等领域中表现优异。原创 2023-08-23 23:02:36 · 1155 阅读 · 4 评论 -
【图像分割】理论篇(1)评估指标代码实现
图像分割是计算机视觉中的重要任务,用于将图像中的不同区域分割成具有语义意义的区域。原创 2023-08-20 20:35:11 · 1021 阅读 · 1 评论