图像分割

一、语义分割

 图像语义分割的目标是标记图像每个像素的类别。
因为我们需要预测图像中的每个像素，所以此任务通常被称为密集预测。

语义分割.png

1.语义分割之U-Net网络

• 网络结构

U-Net网络结构.png

• Transposed Convolution层
   普通的卷积层和池化层是为了缩小输出的尺寸，而Transposed Convolutions的作用正好相反，是为了增大图像的尺寸，同时保留位置的信息。
  
  up conv.png

 Transposed Convolution层是图像过采样的最佳选择，它通过误差向后传递算法来学习最佳的权值，使得低分辨率的图像可以转换为高分辨率的图像，效果极佳。

图像放大对比.png

• Conv2DTranspose演示

Conv2DTranspose演示.png

• Conv2DTranspose存在的问题

Conv2DTranspose问题.png

2.语义分割的应用

• 自动驾驶
• 医学图像处理
• 地理感应
• 精准农业

二、实例分割

 比语义分割更进一步，除了像素级分割，还需要分别对类的每个实例进行分类。例如，图中有3个人，每个人实例都需要都被分割出来（以不同颜色）。

实例分割.png