OpenMMLab AI实战营 第6课 语义分割与MMSegmentation

最新推荐文章于 2025-10-25 20:25:37 发布
原创 最新推荐文章于 2025-10-25 20:25:37 发布 · 509 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #深度学习 #计算机视觉

语义分割是将图像按物体类别分割的技术，涉及像素级别的分类。它区别于实例分割和全景分割。UNet通过结合高低层次特征进行上采样。PSPNet引入上下文信息，Deeplab系列利用空洞卷积扩大感受野。评估指标包括准确率、IoU和Dice系数。MMSegmentation是一个语义分割的研究平台。

第6课 语义分割与MMSegmentation

1. 语义分割简介

  • 任务：将图像按照物体的类别分割成不同的区域，等价于对每个像素进行分类
  • 应用
    • 无人驾驶
    • 人像分割
    • 智能遥感
    • 医疗影像分析
  • 语义分割 vs 实例分割 vs 全景分割
    • 语义分割：仅考虑像素的类别，不分割同一类的不同实体
    • 实例分割：分割不同的实体，仅考虑前景物体
    • 全景分割：背景仅考虑类别，前景需要区分实体
  • 基本思路
    • 按颜色分割
    • 逐像素分类
      • 滑窗计算：效率底下
      • 卷积计算
        • 计算复用
        • 全连接层要求固定大小输入
        • 全连接层的卷积化
  • 全卷积网络 2015
    • 上采样

      • 双线性插值

      • 转置卷积：可学习的上采样层

      • 基于多层级特征的上采样

        • 结合低层次和高层次特征图
  • UNet 2015
    • 逐级融合高低层特征

2. 上下文信息

  • PSPNet 2016

3. 空洞卷积与Deeplab系列算法

  • Deeplab系列
    • 使用空洞卷积解决网络中的下采样问题
      • 图像分类模型中的下采样层使输入尺寸变小
        • 如果将池化层和卷积中的步长去掉
          • 可以减少下采样次数
          • 特征图就会变大，需要对应增大卷积核，以维持相同的感受野，但会增加大量参数
          • 使用空洞卷积（Dilated Convolution/Atrous Convolution），在不增加参数的情况下增大感受野
    • 条件随机场
    • 空间金字塔池化
    • Encoder-Decoder

3. 语义分割模型的评估

  • 基于交并集的评估指标
    • accuracy
    • iou
    • dice

4. MMSegmentation

计算机视觉框架OpenMMLab（六）：语义分割基础
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-10 1622
本系列第六篇文章主要介绍语义分割知识，了解计算机视觉框架OpenMMLab的MMSegmentation工具基本原理及使用，为后续语义分割实战做铺垫。
目标检测YOLO实战应用案例100讲-面向目标检测的语义分割技术研究与应用
qq_36130719的博客
05-19 930
在深度学习的支持下，近年的计算机视觉总体呈现出蓬勃发展的态势[1, 2]。目标检测在计算机视觉的许多领域都显示出极大的研究价值和实用价值。早些年提出的许多目标检测方法，如文献[3-5]，其训练用的特征都是依赖于人工构建的，因此这些检测器的缺点是缺乏通用性。现在，越来越多的卷积神经网络检测模型[6-8]被提出。通过与卷积神经网络相结合，目标检测器通过处理复杂的任务显示出强大的能力。检测器有两种：(1)二阶段法[9-17]和(2)一阶段法[18-28]。对于二阶段检测器而。
OpenMMlab--MMSegmentation重温图像分割经典方法
qq_37563114的博客
02-10 489
第一次接触到图像分割，还是比赛的时候，题目是医学图像相关的，都是结合的深度学习去解决，这与上的数字图像处理的课的内容差距相当大，对于比赛几乎没啥帮助，记忆犹新。当时比赛的模型用到的还是经典的UNet去解决，然而现在做UNet工作各种改进版本的已经遍地开花了，甚至还有把扩散模型结合UNet的神奇变种。
OpenMMLab 实战营打卡 - 第 六 课 语义分割
qq_53589322的博客
02-10 1434
OpenMMLab AI实战营第六课！语义分割是目标检测和图像分类的进阶工作，它在像素级别给图像内容做标注，把图片中不同的物体分割开。语义分割就是把一个图像上所有像素都把它归类进行分类，从宏观上来看就是抠图的效果。所以表面上来看，它是图像分割，但本质上是像素密度的图像分类。任务：将图像按照物体的类别分割成不同的区域等价于：对每个像素进行分类代码库： https://github.com/open-mmlab/mmsegmentation。
MMSegmentation：标准统一的语义分割框架
热门推荐
我爱计算机视觉
07-28 1万+
本文转载自知乎，已获作者授权转载。链接：https://zhuanlan.zhihu.com/p/164489668写在前面语义分割作为计算机视觉中一项基础任务，同时在自动驾驶/视频编辑...
OpenMMlab AI实战营第五、六期培训
weixin_52836217的博客
06-18 991
主要是对第五、六次实战营的内容进行展示，包括了目标检测代码的粗略内容以及语义分割的详细基础知识介绍。
OpenMMLab-AI实战营第二期——1. 计算机视觉与OpenMMLab概述
啷个哩个啷
06-01 1052
个人更关注语义分割和3D方面的内容，所以这里重点记录这两点相关的。
OpenMMlab AI实战营第七期培训
weixin_52836217的博客
06-18 803
主要是对第六次课语义分割部分的代码实战进行分析，包括了一些代码步骤以及数据集获取。
语义分割概述 【OpenMMLab AI实战营 第二期 Day8】
chenghong1的专栏
06-15 593
任务： 将图像按照物体的类别分割成不同的区域 等价于： 对每个像素进行分类​。
OpenMMLab AI 实战第六课笔记——语义分割
weixin_47951454的博客
02-10 422
通用视觉框架OpenMMLab AI 实战第六课笔记，主要内容是语义分割基本知识，本博客图片均来源于OpenMMLab AI 实战营课件。
【七班】MMPose代码实践与耳朵穴位数据集实战【OpenMMLab AI实战营第二期Day3+作业1】
chenghong1的专栏
06-05 919
但是Linux操作系统操作中是有问题的，!wget https://zihao-openmmlab.obs.cn-east-3.myhuaweicloud.com/20220716-mmclassification/dataset/SimHei.ttf -O /environment/miniconda3/lib/python3.7/site-packages/matplotlib/mpl-data/fonts/ttf/SimHei.ttf中，下载的文件似乎有问题无法生效，且下载路径不准确，
OpenMMLab 实战营打卡 - 第 6 课
sophia_cong的专栏
02-09 209
OpenMMLab——产学研协同的生态枢纽
AI人工智能领域分类的开源资源
AI天才研究院
04-28 1187
随着人工智能技术的快速发展，开源生态已成为推动技术创新和产业落地的核心驱动力。本文旨在建立清晰的AI开源资源分类框架，详细解析各领域代表性工具的技术架构、核心算法和适用场景，为开发者提供从技术选型到项目落地的全流程指南。基础机器学习框架与工具链深度学习核心库与模型动物园自然语言处理（NLP）和计算机视觉（CV）垂直领域工具强化学习、生成式AI等前沿方向开源方案模型部署、超参数调优、数据处理等工程化工具。
Deepseek-ocr论文精读
wanzhong2333的博客
10-21 2082
给出了几个重要信息这是一篇探究视觉二维映射（optical 2D mapping）实现长上下文压缩的可行性的文章。这个模型不怕高分辨率的输入。当视觉图像压缩比很高的情况下，识别的精度依然很高。模型推理速度快，单张 A100-40G 显卡搭载的 DeepSeek-OCR 每日可生成 20 万页以上的数据。下图其他模型的在基准测试中对比，出手就是王炸，deepseek-ocr系列包揽了整个外围，类似机器学习的AUC图像，面积越大，模型性能越好。
标签噪声学习：理论与方法详解
最新发布
weixin_48846514的博客
10-25 979
摘要：标签噪声学习指南 本文系统介绍了标签噪声学习的关键问题与方法。主要内容包括： 标签噪声的成因：大数据时代下众包标注不可避免产生噪声，即使ImageNet等标准数据集也存在20%左右的错误标签。 噪声类型分类： 随机分类噪声（RCN）：均匀错误 类别依赖噪声（CCN）：类间混淆概率不同 实例依赖噪声（ILN）：与具体样本相关 解决方案：重点分析了对称损失函数对抗RCN的数学原理，证明其能保持噪声数据与干净数据的最优模型一致性。 研究表明，传统方法在噪声数据上性能可能退化至随机猜测水平，而专门的抗噪方法能
番外篇 基于Dify的AI应用开发：从入门到实战全解析
IT深耕十余载，大道之简
10-25 598
摘要 Dify是一款开源AI应用开发平台，通过可视化界面大幅降低AI应用开发门槛。文章系统介绍了Dify的核心功能，包括工作流设计器、提示词工程、知识库管理等，并通过构建智能客服系统的实战案例，展示了从环境搭建到生产部署的全流程。平台支持多模型接入、全链路管理，具备企业级扩展性，使开发者能快速实现包含智能问答、情感分析等功能的AI应用。文章还提供了提示词优化、性能调优等最佳实践，为不同技术背景的用户提供全面的开发指南。
机器学习中一些场景的模型评估与理解图表
小小默：进无止境
10-22 1146
机器学习模型评估与解释图表指南 本文系统整理了14种核心的机器学习图表工具，分为四大类： 性能评估：包括ROC曲线、PR曲线和混淆矩阵，用于量化模型分类能力 模型解释：特征重要性图、SHAP摘要和依赖图，揭示模型决策依据 训练监控：学习曲线、验证曲线和损失曲线，优化模型训练过程 业务分析：累计增益图、提升图和校准曲线，将技术指标转化为业务洞察 每种图表均包含： 核心指标说明（如AUC、F1等） 标准图例展示 专业解读要点 典型应用场景 这些可视化工具形成了从技术验证到业务决策的完整分析链条，适用于分类模型的
合合信息亮相PRCV：多模态文本智能与内容安全双擎驱动的技术突破与实践解析
2501_92808811的博客
10-22 1049
合合信息的方案首先通过CV模型定位图片中的文字区域（如用户发布的广告图中的宣传语），再通过OCR提取文字后，利用多模态模型判断图文关联性（如图片为儿童玩具，但文字包含“成人用品促销”这类矛盾内容），最后结合内容安全模型的敏感实体识别（如违禁药品名称）与情感分析（如煽动性词汇密度）输出拦截建议。例如，一张包含文字的发票图片（图像模态），需要先通过OCR（光学字符识别）提取文字（文本模态），再结合发票模板规则（结构化知识）与业务上下文（如报销政策）进行语义分析（文本推理）。合合信息的技术突破在于：通过。
软件所2025预推免
qq_73354094的博客
10-24 813
2.大笨钟，00:00-12:00不报时（包含端点），后半天报时，整点就报对应的时间，超出的就多报一声，例如13:00报一声，13:05报两声。8.在100米的航道，两船开始时相向而行，第一船100米用72秒，第二船100米60秒，掉头不算时间，问在12分钟内相遇几次？2.观察n天，7天有不活跃情况（上午或者下午不活跃），5天上午活跃，6天下午活跃，如果下午不活跃上午一定活跃，问观察了几天。11.10张牌，开始时都是反面，1的倍数翻一次，2的倍数翻一次，一直到10，问最后正面朝上的最大和最小的差值是多少？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值