![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
语义分割
文章平均质量分 52
超超爱AI
热爱计算机视觉,专注深度学习的小硕一个。
展开
-
Pytorch搭建U-Net网络
1、Pytorch原来常用keras搭建网络模型,后来发现keras的训练模型速度和测试速度都较慢,因此转向使用pytorch,其实两者使用难度差不多,都是高层的深度学习框架,适合研究深度学习。2、U_Net网络介绍U_Net网络已经提出很早,常被用在图像语义分割领域。模型的主要结构如下图所示,包括下采样和上采样两个过程。为了保证上采样得到的特征图具有较强的语义信息、提高分割的精准度。...原创 2019-06-18 17:24:23 · 7657 阅读 · 6 评论 -
从Labelme标注得到的json文件中获取掩码
1、Labelme Labelme是深度学习(语义分割、实例分割)需要用到的图像标注软件。在标注好目标后会生成json文件,json文件中包含了标注的坐标点信息,类别信息,原始图像信息。2、背景 通常在语义分割或者实例分割中GT(真实掩码)是一个多值(多=class_num+1)数组,实际上json文件清晰友好,但很多网络教程中的解析json文件都过于繁琐,个人觉得...原创 2019-06-30 20:47:53 · 2629 阅读 · 2 评论 -
U_Net语义分割完整版
1、背景鉴于莫有人看俄的博客.....,俄决定放一个小项目。同时放一个吸引眼球的封面。cover2、U_Net完整版网上发布的U_Net版本多是针对灰度图,彩色的rgb图像包含颜色信息,因此本项目以信息量更大的彩色图作为网络的输入,做一个3类(包含背景)目标图像的分割。首先来看看项目文件结构:1、dataprocess.py ---->>定义数据读入,可在...原创 2019-07-07 11:50:55 · 1028 阅读 · 1 评论 -
深度可分离U_Net
1、背景U_Net自提出之后就被各种操作,原因是结构简单,易改造,因此我受到Mobilenet的启发,也决定来改改玩。在提出的结构中将原来的通用卷积替换为深度可分离卷积,同时在分离卷积中又使用了扩张卷积,同时也利用了残差结构。2、结构优势2.1 深度可分离卷积:将空间特征和通道特征分开提取,极大的减少了运算的参数量。2.2 扩张卷积:可以获得不同的感受野信息,对语义分割十分有利。...原创 2019-07-16 17:12:54 · 1167 阅读 · 3 评论