关键词：机器学习 / 无监督 / 聚类简介在众多聚类算法中，K-Means 算得上是其中一个经典的算法之一了，它属于无监督学习成员的一份子，训练并分类数据的过程中，不需要标签的辅助就能够掌握每一比数据之间的潜在关系，而这个关系则是通过两个点之间的距离远近来判定，离得远的表示关系小，离得近的表示关系大，他的数学表达式：是不是没看清数学是什么呢？你没看错，因为小编这次的介绍将不从数学的角度出发推导 K
转载
2024-03-20 07:57:14
66阅读
语义分割是深度学习中的一个重要应用领域。自Unet提出到现在已经过去了8年，期间有很多创新式的语义分割模型。简单的总结了Unet++、Unet3+、HRNet、LinkNet、PSPNet、DeepLabv3、多尺度attention、HarDNet、SegFormer、SegNeXt等10个语义分割模型的基本特性。并对这些模型的创新点进行分类汇总。1、拓扑结构改进1.1 UNet++相比于une
转载
2024-05-07 22:05:26
441阅读
这篇文章收录于ECCV2020，由北京大学、商汤科技、香港中文大学提出的基于RGB-D图像的语义分割算法。充分考虑了RGB图像信息和深度信息的互补，在网络结构中引入了视觉注意力机制分别用于特征分离与聚合。最终在室内和室外环境的数据集上都进行了实验，具有良好的分割性能。代码地址：https://github.com/charlesCXK/RGBD_Semantic_Segmentation_PyTo
转载
2024-06-04 22:14:17
149阅读
今天我为大家从全网公众号里精选了深度学习语义分割算法的相关文章11篇。其中包括综述，FCN, Seg Net, U-Net, DeepLab, PSP Net, Refine Net, FastFCN, CCNet, GSCNN, RGBD, ENet, DRN, ConvCRF以及超前沿的4篇文章。在计算机视觉领域，有一个方向是语义分割，一般是针对图像进行像素级分类。具体而言，语义图像分割就是将
转载
2024-08-21 11:31:31
108阅读
建议大家在阅读本篇博客之前，首先看看这篇论文：A guide to convolution arithmetic for deep learning，仔细理解其中的反卷积操作，注意反卷积之后的通道个数以及对应还原出来的多维数组中代表图像大小的维度的取值范围，就可以很好地理解FCN是如何进行pixel-wise级别的分类任务了！ FCN是一个end-to-end的网络，实现像素级别（pixel-w
转载
2024-04-15 13:32:28
123阅读
注：在本文中经常会提到输出数据的维度，为了防止读者产生错误的理解，在本文的开头做一下说明。 如上图，原始图像大小为5*5，经过一次卷积后，图像变为3*3。那就是5*5的输入，经过一个卷积层后，输出的维度变为3*3，再经过一个卷积层，输出的维度变为1*1，这里的5*5，3*3和1*1即为本文提到的数据的维度。1、什么是语义分割图像语义分割可以说是图像理解的基石性技术，在自动驾驶系统（具体为街景识别
转载
2023-10-12 23:36:56
202阅读
写在前面：因为最近在做裂缝检测，用的CRACK500数据集，尺寸大部分是640*340，如果直接resize(512,512)效果不太好。尝试如下：1、先将340尺寸填充成512 （512是你需要的尺寸）2、因为mask标签图片需要为单通道的二值图像，填充后可能会变成RGB图像，所以再改为二值图像3、随机裁剪，这个是我自己设计的算法，大概思想是根据你需要的尺寸，我先限定一个x和y可能的区域，再通过
转载
2024-03-25 09:03:22
307阅读
语义分割算法汇总 记录一下各类语义分割算法，便于自己学习。 由DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation开始，在文章中，作者说明了在Cityscapes test set上各类模型的表现。如下图所示： 主流算法在PASCAL VOC2012数据集上的效果对比。1.DFANet 文章梳理了语义分割网
转载
2023-08-21 22:59:14
210阅读
一、IOU--目标检测我们先来看下IOU的公式：现在我们知道矩形T的左下角坐标(X0,Y0)，右上角坐标(X1,Y1); 矩形G的左下角坐标(A0,B0)，右上角坐标(A1,B1)这里我们可以看到 和 在确定坐标而不确定两个矩形是否相交的情况下，为已知的常量．所以，我们只需要求解就行这里我们先来看一下水平方向上的情况： 从上述的三种情况中我们可以看出：&n
转载
2024-05-08 12:36:58
236阅读
FCN论文链接：Fully Convolutional Networks for Semantic Segmentation作者代码（caffe版）：https://github.com/shelhamer/fcn.berkeleyvision.orgtensorflow版参考代码：https://github.com/MarvinTeichmann/tensorflow-fcn一、什么是语义分割
近年来，智能驾驶越来越炙手可热。智能驾驶相关技术已经从研发阶段逐渐转。向市场应用。其中，场景语义分割技术可以为智能车提供丰富的室外场景信息，为智能车的决策控制提供可靠的技术支持，并且其算法鲁棒性较好，因此场景语义分割算法在无人车技术中处于核心地位，具有广泛的应用价值。 本周对经典的图像分割算法FCN进行论文解读。（Fully Convolutional Networks
转载
2024-03-20 15:42:54
78阅读
一.deeplab系列1.简述Deeplab v1网络DeepLab是结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）的方法。在实验中发现DCNNs做语义分割时精准度不够的问题，根本原因是DCNNs的高级特征的平移不变性（即高层次特征映射，根源在于重复的池化和下采样）。针对信号下采样或池化降低分辨率，DeepLab是采用的atrous（带孔）算法扩展感受野，获取更多的上下文信
【论文复现赛】DMNet：Dynamic Multi-scale Filters for Semantic Segmentation
本文提出了动态卷积模块(Dynamic Convolutional Modules)，该模块可以利用上下文信息生成不同大小的卷积核，自适应地学习图片的语义信息。该模型在Cityscapes验证集上mIOU为79.64%，本次复现的mIOU为79.76%，该算法已被P
转载
2024-04-21 09:26:57
156阅读
目前遇到的loss大致可以分为四大类：基于分布的损失函数（Distribution-based），基于区域的损失函数（Region-based,），基于边界的损失函数（Boundary-based）和基于复合的损失函数（Compounded）。 一、基于分布的损失函数1.1 cross entropy loss像素级别的交叉熵损失函数可以说是图像语义分割任务的最常用损失函数，这种损失会逐个检查每个
转载
2024-03-22 21:15:52
933阅读
Task1：赛题理解与 baseline（3 天） – 学习主题：理解赛题内容解题流程 – 学习内容：赛题理解、数据读取、比赛 baseline 构建 – 学习成果：比赛 baseline 提交Task2：数据扩增方法（3 天） – 学习主题：语义分割任务中数据扩增方法 – 学习内容：掌握语义分割任务中数据扩增方法的细节和使用 – 学习成果：数据扩增方法的实践Task3：网络模型结构发展（3 天）
转载
2024-03-06 06:31:37
159阅读
点赞
语义分割（三）Unet++Unet++Unet++特点Unet++网络结构模型剪枝Unet++模型实现 Unet++Unet++论文 UNet++是2018年提出的网络，是U-Net的一个加强版本。Unet++特点其相对U-Net改进之处主要为：网络结合了类DenseNet结构，密集的跳跃连接提高了梯度流动性。将U-Net的空心结构填满，连接了编码器和解码器特征图之间的语义鸿沟。使用了深度监督，
转载
2024-04-20 21:17:12
123阅读
语义分割1原理2模型3数据集3.1普通数据集3.2遥感影像数据集4评价指标4.1时间复杂度4.2内存损耗4.3精确度4.3.1 PA4.3.2mPA4.3.3 IOU4.3.4 mIOU4.3.5 FWIoU5参考资料6之后要实现的 1原理图像的语义分割是将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。虽然自 2007 年以来，语义分割/场景解析一直是计算机视觉社区的一部分，但与
转载
2024-05-13 09:29:56
53阅读
本文翻译自A 2017 Guide to Semantic Segmentation with Deep Learning，方便自己学习和参考。若有侵权，请联系删除语义分割一直是计算机视觉领域非常重要的研究方向，随着深度学习的发展，语义分割任务也得到了十足的进步。本文从论文出发综述语义分割方法，当前语义分割的研究大多采用自然图像数据集，鉴于这方面的研究自然图像比医学影像成熟得多，本文主要还是针对自
在使用 CNN 进行图像分割时，我们经常听到 Dice 系数，有时我们会看到术语 Dice Loss。我们很多人对这两个指标感到困惑。在物理上它们是相同的，但是当我们查看它们的值时，我们会发现它们并不相同！答案很简单，但是在说它们之间的区别之前，我们先来谈谈什么是 Dice 系数，因为 Dice Loss是Dice 系数的一个特例。1.Dice 系数例如，当我们进行语义分割时，我们希望在训练期间（
转载
2024-04-01 06:32:09
141阅读
FCN和U-Net在2015年先后发表，主要思路都是先编码后解码（encoder-decoder)，最后得到和原图大小相同的特征图，然后对特征图每个点与图像的标注mask上的每个像素点求损失。它们的区别主要在于特征融合的方式，FCN特征融合采用特征直接相加，而U-Net特征融合采用的是两个特征在通道维度的堆叠。本文分别采用tensorflow和pytorch复现了FCN和U-Net。 github
