labelme实例分割_图像分割综述阅读总结

一、 定义：

二、 时间：

三、 分类

四、 方法(参考)：

1. 传统方法：

2. 结合特点工具的图像分割算法：

3. 基于深度学习的分割

五、 语义分割的应用

六、 语义分割数据集

1. Common Objects in Context (COCO)

2. PASCAL Visual Object Classes (VOC)

3. ADE20K

4. Cityscapes

5. SYNTHIA

6. SIFT Flow

7. CamVid

8. KITTI

七、 度量方法

1. Confusion matrix （混淆矩阵）

2. Normalized confusion matrix（规范化的混淆矩阵）

3. Accuracy

4. Mean accuracy

5. Mean intersection over union（mIoU）

6. Weighted intersection over union

7. Precision

8. Recall

9. Frames per second（FPS）

10. Memory usage

八、 损失函数

1. Focal 损失

2. Dice 损失

3. IoU-平衡损失

4. 边界损失

5. 加权交叉熵

6. Lovász-Softmax 损失

定义：

图像分割是根据灰度，彩色，空间纹理，几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显不同。（简单来说就是把目标从背景中分离处来）。

数学定义：

时间：

20世纪70年代起 ~ 至今

分类

图像分割方法主要可分为两种类型：语义分割和实例分割。语义分割会使用相同的类标签标注同一类目标（下图左），而在实例分割中，相似的目标也会使用不同标签进行标注（下图右）。

方法(参考)：

传统方法：

基于阈值的分割方法

基本思想