2. 程式人生 > >Image Segmentation（影象分割）綜述

Image Segmentation（影象分割）綜述

阿新 • • 發佈：2019-02-10

Image Segmentation（影象分割）網路結構比較

網路名 作者 父輩 生辰 簡述 增加的結構 丟棄的結構 優勢 劣勢
VGG16 FCN的靈感來源
FCN J.Long VGG16 2014 影象分割鼻祖 一個Deconv層(從無到有) 所有fc層 簡單 粗糙
DeconvNet H.Noh FCN 2015 Unpooling層（從無到有）、多個Deconv層（層數增加）、fc層（從無到有）
SegNet
 Vijay Badrinarayanan DeconvNet 2016 每個max_pooling的max索引 所有fc層
DeepLab FCN
PSPNet
Mask-RCNN 2017 真正做到畫素級

Image Segmentation（影象分割）族譜

FCN

  • DeepLab

  • DeconvNet

    • SegNet

  • PSPNet

  • Mask-RCNN

按分割目的劃分

  • 普通分割

    將不同分屬不同物體的畫素區域分開。
    如前景與後景分割開，狗的區域與貓的區域、背景分割開。

  • 語義分割

    在普通分割的基礎上，分類出每一塊區域的語義（即這塊區域是什麼物體）。
    如把畫面中的所有物體都指出它們各自的類別。

  • 例項分割

    在語義分割的基礎上，給每個物體編號。
    如這個是該畫面中的狗A，那個是畫面中的狗B。

相關推薦

Image Segmentation（影象分割）綜述

Image Segmentation（影象分割）網路結構比較 網路名 作者 父輩 生辰 簡述 增加的結構 丟棄的結構 優勢 劣勢 VGG16

MMWHS-文獻閱讀（影象分割）

（）一、 https://github.com/xy0806/miccai17-mmwhs-hybrid Paper: Hybrid Loss Guided Convolutional Networks for Whole Heart Parsing （MICCAI 2017

MS-NFN Model for Retinal Vessel Segmentation（血管分割）

論文題目：Multiscale Network Followed Network Model for Retinal Vessel Segmentation The Core Content Of This Article： 1.對眼底彩照血管分割精度達到了一

Polygon-RNN++ （ 影象分割資料集自動標註）

一、Polygon-RNN整體架構 Polygon-RNN++（和之前的Polygon-RNN類似）： 使用了CNN（卷積神經網路）提取影象特徵。 使用RNN（迴圈神經網路）解碼多邊形頂點。為了提高RNN的預測效果。 加入了注意力機制（att

影象分割 | FCN資料集製作的全流程（影象標註）

一 全卷積神經網路 文章所有程式碼已上傳至github，覺得好用就給個star吧，謝謝 深度學習影象分割（FCN）訓練自己的模型大致可以以下三步： 1.為自己的資料製作label； 2.將自己的資料分為train,val和test集； 3.仿照voc_lyaers.py編寫自己的輸入資料層。

image recognition（影象識別的API參考網址）以及caffe參考網址

image recognition在國內其實很難搜尋到比較好又很實用的API，最近也花了挺多時間好不容易找到一些image recognition，今天就做個分享： 以上三個都能夠提供相應的image recognition的API或者相應的SDK，而且也

Image Retrieval（影象檢索資料彙總）

1. Learning High-level Image Representation for Image Retrieval via Multi-Task DNN using Clickthrough Data 2.Neural Codes

Python CSV檔案（逗號分割）操作

一、csv檔案介紹 1、csv檔案簡介 逗號分隔值（Comma-Separated Values，CSV，有時也稱為字元分隔值，因為分隔字元也可以不是逗號），其檔案以純文字形式儲存表格資料（數字和文字）。純文字意味著該檔案是一個字元序列，不含必須像二進位制數字那樣被解讀的資

CPU（中央處理器）和GPU（影象處理器）區別

GPU是顯示卡的處理器，稱為圖形處理器（Graphics Processing Unit，即GPU），又稱顯示核心、視覺處理器、顯示晶片，是一種專門在個人電腦、工作站、遊戲機和一些移動裝置（如平板電腦、智慧手機等）上影象運算工作的微處理器，它是顯示卡的“心臟”，與CPU類似，

sklearn中的train_test_split（資料分割）、preprocessing（歸一化）、cross_val_score（交叉驗證）

1、train_test_split（資料分割）： from sklearn.model_selection import train_test_split X=np.random.randint(0,100,(10,4)) y=np.random.randint(0,3,10) y.

區域增長 （用於分割）

1 Region Growing 區域增長演算法的基本思想：先選擇一個種子區域(通常為一個畫素或一些畫素點)，認為這個種子區域是在被分割的物件範圍之內。所選種子區域的鄰域畫素會被計算從而決定它是否包含在該種子區域裡。如果根據某種準則，種子區域的鄰域畫素應該包含進來，則該鄰域

Opencv學習筆記：addWeighted函式（影象融合）

addWeighted函式 融合圖片尺寸不變 1、函式作用 作用：實現兩幅圖片的（疊加）線性融合； 2、函式原型 void addWeighted(InputArray src1, double alpha, InputArray src2, doubl

661. Image Smoother（python+cpp）

題目 Given a 2D integer matrix M representing the gray scale of an image, you need to design a smoothe

利用Inception-v3現成權重進行特徵提取（影象識別）

在tensorflow官網的影象識別的中文介紹中，介紹瞭如何用Tensorflow的模型程式碼庫中的classify_image.py進行影象識別。裡面有介紹如何測試，而且還提供了最後一層的1*1*2048維的特徵提取方式，所以在這裡介紹一下。 ...... with tf.Session

看過的都哭了！史上最詳細！手把手教會你完成一個目標識別（目標分割）專案

隨著工業自動化的推進，可能越來越多的同學會感受到老闆接的專案都是傳統工廠自動化程序中的一些環節，比如目標識別。一般有傳統影象方法和順應時代的神經網路方法。其中傳統方法對設計者的影象處理能力要求很高，並且針對每一個專案必須設計特定的識別檢測方法。現在（2018年3月）已經有很多

CPU（中央處理器）和GPU（影象處理器）區別大揭祕

有網友在網上提問：“為什麼現在更多需要用的是 GPU 而不是 CPU，比如挖礦甚至破解密碼？ ”以下是比較準確靠譜的回答： 　　1、現在更多被需要的依然是CPU，只是GPU在大規模併發計算中體現出其一技之長所以應用範圍逐漸變得廣泛，併成為近些年的熱點話題之一。 　　為什麼二者會有如此的不同呢？首先要

新手的caffe學習總結（影象識別）

公司要往影象識別方面拓展業務，奈何沒有人對這方面有哪怕稍微深入點的瞭解，本人榮挑重擔，從只知道AI這個名詞的小白開始學習深度學習。到現在學習caffe接近兩個月了，中間走了很多彎路，遇到很多對新手來說是難題，對熟悉這方面的人來說卻簡單到不認為是問題的問題。所以總結下來供像我

【Paper】Semantic Soft Segmentation(語義軟分割）

Semantic Soft Segmentation Introduction Selection and composition are at the core of the image editing process Disadvantages of

[解題報告]hdoj1249（平面分割）

大概題意：若干case，每個給定數字n，表示平面上有n個三角形，輸出這n個三角形最多能把平面分割成多少平面。 例，1=>2     2=>8     這個用了數學推理，類似的推理還有，n條直線最多能把一個平面分割成多少個平面，n個折線，n個橢圓…… 貼上兩個推理

【影象處理】海森矩陣（Hessian Matrix）及一個用例（影象增強）

前言        Hessian Matrix(海森矩陣)在影象處理中有廣泛的應用，比如邊緣檢測、特徵點檢測等。而海森矩陣本身也包含了大量的數學知識，例如泰勒展開、多元函式求導、矩陣、特徵值等。寫這篇部落格的目的，就是想從原理和實現上講一講Hessian Matr