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
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
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
# 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
283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
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
47阅读
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
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
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
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
一、个人理解在正文开始之前，先说说笔者对语义分割的理解，语义分割，其实就是为图片中的每个像素打上相应的标签，即将其所代表的语义具现化，呈现出的视觉效果就是图片中不同的目标有不同的颜色，如下所示： 目前语义分割主要针对的问题是以下几点： 1）如何恢复原有的分辨率 2）如何尽可能的增大感受野 3）如何处理多尺度问题 下面，笔者会以时间为顺序，给出在语义分割领域比较经典的论文。二、相关论文1、FCN 这
转载
2024-03-19 10:37:58
53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
如何coco数据集进行目标检测的介绍已经有很多了，但是关于语义分割几乎没有。本文旨在说明如何处理 stuff_train2017.json stuff_val2017.json panoptic_train2017.json panoptic_val2017.json，将上面那些json中的dict转化为图片的
今天最好的表现，是明天的最低要求。 论文：DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentationgithub：https://github.com/huaifeng1993/DFANet 论文提出了速度和精度完美平衡的新的语义分割网络结构DFANet，即Deep Feature Agg
转载
2024-05-19 20:13:56
21阅读
前言这篇博文为一些常见的损失函数提供了参考，你可以很轻松的导入到代码中。损失函数定义了神经网
原创
2022-06-27 15:32:45
1973阅读
零基础入门语义分割-地表建筑物识别 Task4 评价函数与损失函数 -学习笔记4 评价函数与损失函数4.1 学习目标4.2 TP TN FP FN4.3 Dice评价指标4.4 IoU评价指标4.5 BCE损失函数4.6 Focal Loss4.7 Lovász-Softmax4.8 参考链接4.9 本章小结4.10 课后作业 4 评价函数与损失函数4.1 学习目标掌握常见的评价函数和损失函数D
论文地址： Dual Attention Network for Scene Segmentation 工程地址：github链接1. 介绍 该论文提出新型的场景分割网络DANet，利用自注意力机制进行丰富语义信息的捕获，在带有空洞卷积的FCN架构的尾部添加两个并行的注意力模块：位置注意力模块和通道注意力模块，论文在Cityscapes，PASCAL Context和COCO数据集上都取得了SO
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
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
