BCE（Binary CrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结 图像二分类问题—>多标签分类二分类是每个AI初学者接触的问题，例如猫狗分类、垃圾邮件分类…在二分类中，我们只有两种样本（正样本和负样本），一般正样本的标签y=1，负样本的标
转载
2024-04-05 10:31:57
68阅读
1.几个经典语义分割模型简介1.1FCN1.2 PSPSNet1.3 Deeplabv31.4 DANet1.5 OCR2. 网络的训练和调参数据增强，验证集划分超参数设置3. 模型融合- TTA 测试时数据增强TTA（Test Time Augmentation）是常见的集成学习技巧，数据扩增不仅可以在训练时候用，而且可以同样在预测时候进行数据扩增，比如对同一个样本预测三次，然后对三次结果进行平
转载
2023-09-17 14:24:49
212阅读
全卷积网络（Fully Convolutional Networks，FCN) 是用深度神经网络来做语义分割的开山之作，它是首个端对端的针对像素级预测的全卷积网络，自从该网络提出后，就成为语义分割的基本框架，后续算法基本都是在该网络框架中改进而来。FCNFCN 以 VGG16 作为 backbone 提取不同层次的特征，之后再通过双线性插值方法恢复特征图的分辨率，在这过程中同时利用了跳跃连接，逐步
转载
2023-12-01 20:58:58
59阅读
BCE和CE的区别首先需要说明的是PyTorch里面的BCELoss和CrossEntropyLoss都是交叉熵，数学本质上是没有区别的，区别在于应用中的细节。BCE用于二分类，CE用于多分类BCE适用于0/1二分类，计算公式就是 “ -ylog(y^hat) - (1-y)log(1-y^hat) ”，其中y为GT，y_hat为预测值。这样，当gt为0的时候，公式前半部分为0，y^hat 需要尽
转载
2023-10-08 00:15:37
599阅读
# PyTorch 语义分割损失详解
语义分割是计算机视觉中的一个重要任务，旨在为每个像素分配一个类别标签。相比于物体检测，语义分割提供了更为精细的图像理解能力。在本篇文章中，我们将重点讨论在PyTorch中实现语义分割模型时所使用的损失函数，特别是交叉熵损失和Dice损失。并提供相关代码示例以帮助理解。
## 1. 语义分割的基础
### 1.1 定义
语义分割的目的是将图像中的每个像素
原创
2024-10-03 04:37:43
286阅读
本文是openmmlab AI实战营的第六次课程的笔记，以下是我比较关注的部分。简要介绍语义分割：如下图，左边原图，右边语义分割图，对每个像数进行分类 应用语义分割在个各种场景下都非常重要，特别是在自动驾驶和医疗领域， 实时切换人物背景 智能摇杆 医疗影像分析 语义分割的基本思路1.按颜色分割 最早期的语义分割就是按照
转载
2024-05-05 17:54:47
111阅读
01理由：语义分割经典论文，dilated convolution和aspp是当今语义分割研究常用的骨干网络与基线。02理由：早期在深度神经网络中对纹理进行建模的一篇研究。03理由：将EM算法与attention结构结合，传统方法与深度学习方法结合的典范。04理由：非常实用的轻量级语义分割模型，其提出的特征结合方式简单且高效。05理由：显式地学习边缘等浅层次特征，并使之与高层次
转载
2024-03-15 09:22:54
10阅读
文章目录0. 前言1. CNN1.1. LeNet - 51.2. AlexNet1.3. VGG - 162. 语义分割2.1. FCN2.1.1. 转置卷积2.1.2. 性能指标2.1.3. 转置卷积（解码）后的输出 0. 前言与祁老师一同参加2020年软件杯，选择了一个有关语义分割的题目。（项目完成一大半的时候，由于出题方很 nt 地中途把题目改成了目标识别和检测，我
之前看了一段时间OoD在语义分割中的应用，并且学习了一些基本的语义分割模型，总结记录 本文目录语义分割FCNUnetSegNet(实时语义分割)Deeplab v1(VGG16)感受野Deeplab v2(Resnet)Deeplab v3 语义分割语义分割一直存着语义信息和细节信息的矛盾。语义信息足够，局部细节信息不足，细节就会模糊，边缘就会不精准；细节信息准确，语义信息欠缺，像素点预测就会错误
转载
2024-03-19 08:41:51
49阅读
标题以下，全是干货论文链接：https://arxiv.org/pdf/2004.01547.pdf代码链接：https://git.io/ContextPrior最近的工作广泛探索了上下文相关性在语义分割任务中的重要性，通过充分捕获上下文信息以获得更准确的分割结果。但是，大多数方法很少区分不同类别之间的上下文相关性，这可能会影响语义分割模型的性能。例如，之前的经典工作non-local网络关注的
语义分割本篇博客对语义分割大致框架进行讲解，本章的目录如下：常见分割任务介绍（以语义分割为主）语义分割常见评价指标语义分割损失计算常见分割任务介绍常见分割任务有语义分割，实例分割，全景分割，见下：常见的语义分割网络pytorch demmo中常见的语义分割网络如下：语义分割常见数据集语义分割常见数据集有PASCAL VOC和MS COCO。VOC数据集以调色板为主要组织形式，MS COCO以多边形
FCN 全卷积网络Fully Convolutional Networks for Semantic Segmentation 今天实验室停电，无聊把原来的一个分享PPT发上来语义分割语义分割是计算机视觉中的基本任务，也是计算机视觉的热点，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义Semantic Segmentation的可解释性」即分类类别在真实世界中是有意义的。例如，我们
场景图与场景内容分离虽然没有得到权威的论证，但我还是坚信场景图和场景内容的分离的设计一定是整个Ogre项目中最亮眼的地方。虽然看起来它是一个如此的简单易懂，不过对于那些仍然坚守“传统的设计方法”来完成场景图设计的人仍然会难以理解。 在传统设计中（就是很多商业和开源3D引擎所采用的）将场景内容和场景结构放到一个继承体系中，并将场景内容生硬的作为场景节点的子类。我断言这是一个极其失败的设计方
转载
2024-05-29 09:28:24
64阅读
论文地址：https://arxiv.org/abs/2002.10120代码地址：https://github.com/donnyyou/torchcv该论文提出了一种有效且快速的场景解析方法。通常，提高场景解析或语义分割性能的常用方法是获得具有强大语义表示的高分辨率特征图。广泛使用的有两种策略：使用带孔（空洞）卷积或特征金字塔进行多尺度特征的融合，但会有计算量大、稳定性的考验。受光流技术启发，
转载
2024-07-25 14:49:34
183阅读
标题：JSIS3D: Joint Semantic-Instance Segmentation of 3D Point Clouds with Multi-Task Pointwise Networks and Multi-Value Conditional Random Fields (Oral)作者：Quang-Hieu Pham, Duc Thanh Nguyen, Binh-Son Hua
继BiSeNetV1之后（语义分割系列16-BiSeNetV1），BiSeNetV2在2021年IJCV上发布。论文链接：BiSeNetV2相比于V1版本，V2版本在下采样策略、卷积类型、特征融合等方面做了诸多改进。本文将介绍：BiSeNetV2如何设计Semantic Branch和Detail Branch。BiSeNetV2如何设计Aggregation Layer完成特征融合。BiSeNe
转载
2024-02-03 05:54:59
152阅读
基于MindSpore框架的室内场景图像分割方法研究概述 本文以华为最新国产深度学习框架Mindspore为基础，研究室内场景语义分割方法。本文基于注意力机制改进U-Net网络，并选取VGG16与ResNet50作为骨干网络，并且利用VGG16与ResNet50的预训练权重进行迁移学习。整体的技术路线如图1所示。 图片1项目地址相关配置名称配置信息NPUAscend910操作系
转载
2024-03-15 06:25:07
88阅读
tensorflow2.3实现街景语义分割Cityscapes评测数据集即城市景观数据集，在2015年由奔驰公司推动发布，是目前公认的机器视觉领域内最具权威性和专业性的图像分割数据集之一。提供了8种30个类别的语义级别、实例级别以及密集像素标注（包括平坦表面、人、车辆、建筑、物体、自然、天空、空）。Cityscapes拥有5000张精细标注的在城市环境中驾驶场景的图像（2975train，500
转载
2024-05-02 07:04:33
162阅读
论文标题：LISU: Low-light indoor scene understanding with joint learning of reflectance restoration代码：GitHub - noahzn/LISU: Low-light Indoor Scene Understanding期刊：ISPRS Journal of Photogrammetry and Remote
转载
2024-03-20 21:02:36
255阅读
cross-entropy 交叉熵信息量信息量个人理解是指验证信息发生所需要的信息多少，所以一个事件发生的概率越大，它的信息量越小。例如以下事件：A ： 明早太阳东边升起B ： 明早太阳西边升起我们可以知道事件B直观上给我们的信息量很爆炸，我们验证B发生需要的知识，条件比较多。对于一个小概率事件，它的发生往往给人带来爆炸的信息，我们称它的信息量大。记作：熵的概念熵是指信息量的期望，它反映的是信息量
