本文探讨了深度学习在图像语义分割领域的应用，重点关注模型的执行时间、内存占用和精度等评价指标。精度方面，介绍了像素精度、平均像素精度、平均并交比（MIoU）和频率权重并交比（FWIoU），其中MIoU是标准评价指标。文章还强调了在不同应用场景中，速度和内存占用的重要性。
点击上方蓝字关注我们
微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识
图像语义分割
深度学习已经应用在计算机视觉领域多个方面，在最常见的图像分类、对象检测、图像语义分割、实例分割视觉任务都取得了良好的效果，如下图所示：
深度学习在图像语义分割上已经取得了重大进展与明显的效果，产生了很多专注于图像语义分割的模型与基准数据集，这些基准数据集提供了一套统一的批判模型的标准，多数时候我们评价一个模型的性能会从执行时间、内存使用率、算法精度等方面进行考虑。有时候评价指标也会依赖于模型的应用场景而有所不同，精准度对一些严苛的使用场景是优先考虑的，速度是对一些实时应用场景优先考虑的。对语义分割模型来说，通常用下面的一些方法来评价算法的效果。
No.1
执行时间
运行时间或者速度是一个很关键的指标，特别是在模型
最低0.47元/天 解锁文章
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
