【语义分割】算法理论梳理：基础理论/常见网络FCN、DeepLab、LR-ASPP、UNet、U2Net

目录

语义分割

1. 常见数据集格式

2. 常见语义分割评价指标

转置卷积

1. 运算步骤（s为步长，p为padding，k为卷积核尺寸）

2. 优势以及存在的问题

膨胀卷积

1. Gridding Effect网格效应

2. 小目标分割效果差的问题

3. 膨胀卷积的一些特点

FCN

DeepLabV1

DeepLabV2

DeepLabV3

LR-ASPP

UNet

U2Net

---

语义分割

语义分割（semantic segmentation），对每个像素进行分类；区别于实例分割和全景分割。

1. 常见数据集格式

• PASCAL VOC：调色板（PNG图片，P模式，palette），边缘为255，损失计算过程忽略255
• MS COCO：针对图像中的每一个目标都记录了多边形坐标（polygons）
• 分割结果：mask蒙版，每个像素数值对应类别索引

2. 常见语义分割评价指标

• Pixel Accuracy（Global Acc）：总共预测正确的像素个数 / 目标的总像素个数
• mena Accuracy：每个目标的Acc，然后目标求均值
• mean IoU：每个目标的IoU再求平均（常用，如下图所示）

eg：目标A的IoU计算图示

转置卷积

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [e-mail] 举报，一经查实，本站将立刻删除。