opennmmlab实战营二期-mmsegmentation理论课（八）
opennmmlab实战营二期-mmsegmentation理论课（八）
前言
-
mmsegmentation算法库的介绍
比如特点、模型库、数据集、应用场景（医疗、遥感、生活、工业） -
什么是语义分割
将图像按照物体的类别分割成不同的区域==对每个像素进行分类
应用：无人驾驶汽车、人像分割（抠图）、卫星遥感、医疗影像分析（x光、ct片分割病灶区域） -
语义分割vs实例分割vs全景分割
语义分割的基本思路
- 按颜色分割，但存在一些问题：
- 逐像素分类：
深度学习下的语义分割模型
全卷积网络
升采样：
双线性插值：
使用卷积实现双线性插值：
转置卷积：
全卷积网络的预测与训练：
基于多层级特征的上采样：
unet：
上下文信息与PSPNet模型
图像周围的内容（也称上下文）可以帮助做出更准确得到判断。
PSPNet：
空洞卷积和DeepLab模型
DeepLab系列：
空洞卷积：
DeepLab模型：
条件随机场CRF：
空间金字塔池化ASPP：
DeepLab v3+：
语义分割算法总结
语义分割前沿算法
SegFormer、K-Net、MaskFormer、Mask2Former、Segment Anything（SAM）、
分割模型的评估
取交集或并集：
实践mmseg
预知如何实现，请见下回分解！
