深度学习之图像分割
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，是指通过学习样本数据的内在规律和表示层次，进而挖掘出数据间内在逻辑关系，进行反复学习，最终让机器具有分析数据能力，可以识别文字、图像、声音等数据。
文章目录
- 深度学习之图像分割
- 前言
- 一、图像分割
- 1.图像分割分类
- 二、语义分割
- 1.实现步骤
- 2.语义分割常用指标
- 三、研究意义
- 总结
前言
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人在各个领域开启学习机器学习，在医疗领域深度学习可以发挥识别、分割等作用，在本文就介绍了深度学习中图像分割尤其是语义分割的基础内容。
一、图像分割
将图像分成各个具有相应特性（灰度、颜色、纹理等）的区域并提取出感兴趣的目标的技术和过程即为图像分割
如下图，将不同部分用不同颜色加以区分
1.图像分割分类
- 实例分割，只提取感兴趣区域，不关注背景，例如道路图片中不同的车子用不同的颜色加以区分，其他黑色
- 语义分割，即图片所表达的意义，从相关图像中推理出相关的知识或者语义，是由具体到抽象的过程
- 全景分割，实例分割于语义分割结合
二、语义分割
1.实现步骤
训练
根据batch size大小，将数据集中的训练样本和标签读入神经网络。根据实际需要进行预处理（裁剪、数据增强等）
验证
训练一个epoch后，将数据集中的验证样本和标签读入神经网络，并载入训练权重。根据编写好的语义分割指标进行验证，得到当前训练的指标分数，保存对应权重。
测试
所有训练结束后，将数据集中的测试样本和标签读入神经网络，并将保存的最好的权重值载入模型，进行测试。
测试结果分为两种结果，一种是根据常用的指标分数衡量网络性能，另外一种是将网络的预测结果以图片的形式保存。
batch size ：一次训练所选取的样本数。
batch：样本，整个训练样本分为几个batch。
epoch：所有训练样本训练一次的过程（整个数据集通过神经网络一次并且返回了一次）。
Iteration：为一次迭代，训练一个Batch就是一次Iteration。
2.语义分割常用指标
Pixel Accuracy （PA像素精度）：标记正确的像素占总像素的比例。
Mean Pixel Accuracy （MPA均像素精度）：计算每个类内被正确分类像素数的比例，再求所有类的平均。
Mean Intersection over Union（MIoU 均交并比）：计算真实值和预测值的交集和并集。
共有k+1个类，pij表示属于i但是被预测为j。pii表示真正的数量，pij和pji表示假正或者假负。
三、研究意义
- 地理信息系统
- 无人车驾驶
- 医疗影像分析
- 机器人等领域
总结
以上就是今天要讲的内容，本文仅仅简单介绍了语义分割，语义分割与传统的图像相比使我们对图像有了更加细致的了解，产生准确而精细的分割。当然也存在些问题，如，不匹配关系、不寻常类等。
