第六讲_图像分割Image Segmentation
显著性检测saliency detection
- 两类问题
- 数据集的标注
- DNN网络:VGG改进而来,分割输出是和原图大小一样;实际该模型就是全卷积网络
物体分割 object segmentation
- 前背景分割(前景包含物体,需要提供初始标记)
- Graph Cuts分割
- GrabCut分割:需要人工标记矩形框或者随意标记框
- 前景、背景的颜色模型
opencv已经实现,效果不错
- 高斯混合模型
- Kmeans算法获得
算法流程
语义分割 semantic segmentation
- 多类的分割
- 什么是语义分割,不需要事先标记分割
- 用处:机器人视觉,自动驾驶,X光
- 算法研究阶段
全卷积网络 Fully Convolution Network
- FCN(2015)--检测部分的区域R-FCN(2016)
- 解决低分辨率问题:反卷积
- 卷积化:全连接->1x1卷积
32倍降采样
- FCN卷积操作矩阵化
- 反卷积对应于梯度回传
- padding=2;
- 卷积和转置卷积的参数关系
- 当s>1时,s=1;为实现小数步长,需要插零补充
- 当不整除时候,在上边右边在需要补零
- FCN-反卷积
- 输入输出分奇偶情况
- 反池化操作效果好的网络一般不用
- FCN的跳层结构skip-layer
- FCN构架
- 使用AlexNet构建FCN-32s-16s-8s网络
- FCN训练
- FCN的跳层结构性能
- VGG-16效果最优
FCN结果
DeepLab网络=DCNN+CRF
- DeepLab全卷积网络
孔(Hole)算法
- 膨胀卷积
- 这样使与训练模型可以使用
- 效果:膨胀卷积的核参数和降采样参数对应
Atrous空间金字塔池化
全连接CRF:精确边界分割
数据集
- cityscapes
- pascal voc
- mscoco(没有像素标准,多边形标准),coco-stuff