第六讲_图像分割Image Segmentation
显著性检测saliency detection
- 两类问题
- 数据集的标注
- DNN网络：VGG改进而来，分割输出是和原图大小一样；实际该模型就是全卷积网络
物体分割 object segmentation
- 前背景分割（前景包含物体，需要提供初始标记）
- Graph Cuts分割
- GrabCut分割:需要人工标记矩形框或者随意标记框
- 前景、背景的颜色模型
- opencv已经实现，效果不错
- 高斯混合模型
- Kmeans算法获得
- 算法流程
语义分割 semantic segmentation
- 多类的分割
- 什么是语义分割，不需要事先标记分割
- 用处：机器人视觉，自动驾驶，X光
- 算法研究阶段
全卷积网络 Fully Convolution Network
-
FCN（2015）--检测部分的区域R-FCN(2016)
-
解决低分辨率问题：反卷积
-
卷积化：全连接->1x1卷积
-
32倍降采样
-
FCN卷积操作矩阵化
-
反卷积对应于梯度回传
-
padding=2；
-
卷积和转置卷积的参数关系
-
当s>1时，s=1；为实现小数步长，需要插零补充
-
当不整除时候，在上边右边在需要补零
-
FCN-反卷积
-
输入输出分奇偶情况
-
反池化操作效果好的网络一般不用
-
FCN的跳层结构skip-layer
-
FCN构架
-
使用AlexNet构建FCN-32s-16s-8s网络
-
FCN训练
-
FCN的跳层结构性能
-
VGG-16效果最优
-
FCN结果
DeepLab网络=DCNN+CRF
-
DeepLab全卷积网络
-
孔（Hole）算法
-
膨胀卷积
-
这样使与训练模型可以使用
-
效果：膨胀卷积的核参数和降采样参数对应
-
Atrous空间金字塔池化
-
全连接CRF:精确边界分割
数据集
- cityscapes
- pascal voc
- mscoco（没有像素标准，多边形标准）,coco-stuff