坐标定位手机元素_图像分割、分类和定位

1、语义分割

概念：对图像中的每个像素做分类，实现像素级别的分类

实例分割与之不同：在相同像素级别上对不同实例进行区分

比如：一张图片中有两头牛，语义分割是将两头牛归为一类，而实例分割会将两头牛进行区分

方法：

（1）滑动窗口：把图片分成小块，使用网络对中心点进行分类

缺点：计算量大，效率低

（2）全卷积网络（FCN）：将完整图像输入卷积神经网络，计算出预测像素和label（真实像素）的交叉熵损失，利用反向传播训练网络。

缺点：数据标签制作成本很高，在原图上进行卷积计算量很大

（3）基于方法（2），进行上采样和下采样

下采样的方法又可以分为两种：

1）unpooling

Nearest Neighbor

重复元素

Bed of Nails

左上角为元素值，其余补零

Max Unpooling

与Bed of Nails类似，只不过原来元素位置放置不同，是按照之前下采样时最大池化的元素位置

2）转置卷积（Transpose convolution）

2、分类和定位

图片中只有一个物体

损失函数包括两部分：

softmax损失，计算分类损失；L2损失，计算预测坐标和实际坐标的损失。

3、目标检测

与分类+定位的不同就是目标检测需要分类和定位的数目不确定

经典方法：

RCNN、Fast R-CNN、Faster R-CNN、YOLO/SSD、mask R-CNN