本文介绍了语义分割的目的、应用场景和技术发展历程，从灰度分割、条件随机场(CRFs)到深度学习方法如FCN、U-Net、DeepLab，探讨了这些方法的优势与挑战，以及面临的诸如数据标注、计算资源、精细化分割和上下文信息等问题。最后，文章提到了评估语义分割模型的常用指标，如像素精度、平均像素精度和交并比。
点击上方“CVer”，选择加"星标"或“置顶”
重磅干货，第一时间送达
作者：Yanpeng Sun
https://zhuanlan.zhihu.com/p/74318967
本文已由作者授权，未经允许，不得二次转载
语义分割
目的：给定一张图像，我们要对这张图像上的每个pixel逐一进行分类，结果展示如下图：
上图中的实例分割是语义分割的延伸，要区别出相同类别的不同个体。
应用场景：无人驾驶、辅助医疗等。
语义分割方法发展过程：
1.灰度分割(Gray Level Segmentation)
语义分割的最简单形式是对一个区域设定必须满足的硬编码规则或属性，进而指定特定类别标签. 编码规则可以根据像素的属性来构建，如灰度级强度(gray level intensity). 基于该技术的一种分割方法是 Split and Merge 算法. 该算法是通过递归地将图像分割为子区域，直到可以分配标签；然后再合并具有相同标签的相邻子区域。
这种方法的问题是规则必须是硬编码的. 而且，仅使用灰度级信息是很难表示比如人类等复杂类别的. 因此，需要特征提取和优化技术来正确地学习复杂类别的特征表示。
2.条件随机场(Conditional
最低0.47元/天 解锁文章
3394
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
