图像分割体验课
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/d277b099e4ba8d4f44a9d47e49341016.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/3cc93f176e902a28c9be35b820cfccc9.png)
语义分割:分割场景
实例分割:不需要分割北京,要识别出人和汽车的区别
全景分割:语义分割和实例分割的结合在这里插入图片描述
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/45b3bae7fbced7f25376eff39aaba035.png)
应用:地理信息、无人车、医疗影像、机器人
传统方法问题:效率低(7次N-cut)
语义分割数据集
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/acc4f17a804cfc589f31ea63b1fbbe18.png)
FCN深度学习语义的开山之作
摘要:
主要成就
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/e80d148242c86079efe5a18d7143fe8b.png)
问题:1.效率低 2.特征融合没办法实现
创新点:1.上采样 2. 迁移学习 3.跳跃结构
全连接:将二维变成一维
卷积:保证二维矩阵的二维信息不变
上采样:反卷积(将图片放大)
研究意义:FCN是语义分割开山之作
为后续语义分割算法的发展铺平了道路,大部分涉及到语义分割的论文都会引用它