分割（语义分割、实例分割、全景分割）概述_语义分割,实例分割,全景分割-程序员宅基地

1.概念

语义分割：语义分割的目标是为图像中的每个像素分配一个语义标签，以指示它属于哪个类别。
在这里插入图片描述
实例分割：实例分割的目标是对每个物体实例进行独立的分割，从而可以识别和跟踪图像中的每个物体。与语义分割只关注像素级别的语义标签不同，实例分割还要求对同类但不是同一个物体实例进行区分和分割。
全景分割：全景分割是一种结合了语义分割和实例分割的综合方法、，全景分割为图像中的每个像素分配一个语义标签和一个唯一的实例标识符。
在这里插入图片描述

2.1语义分割算法流程

以语义分割算法SegNet为例，就是线通过特征提取网络下采样，然后使用反卷积或者线性差值等方法进行上采用来回复特征图的分辨率和位置信息，之后在通过sotfmax来获取每个像素点的分类结果。
在这里插入图片描述
和目标检测算法不同的使语义分割算法去掉了全连接层，全连接层会破坏掉位置信息

2.2.实例分割算法流程

目前主流做二阶段实例分割的方法大都基于目标检测：先跑目标检测，然后对于每一个方框跑一个二元图像分割（binary segmenation）
Mask R-CNN:
在这里插入图片描述
YOLACT:是yolov5和v8分割的基础，流程：
1、输入图片；
2、通过主干网络对图片，进行特征提取；
3、经过FPN特征金字塔，对不同尺寸的特征图进行融合；
4.1、检测分支，对于每个目标物体，都输出类别、边框信息（x,y,w,h）、k个mask Coefficients(mask的的置信度，取值1或-1）,这整个方块的区域可能是哪个类，但表示方式不是用置信度的形式而是bool；class
4.2、分割分支，针对当前输入图片，输出k个Prototype (mask原型图）；不同图片，输出的Prototype有差异，但数量也是k个。bbox
5、对于每个目标物体，将k个mask Coefficients (mask的的置信度)与k个Prototype(mask原型图)进行相乘，然后将所有结果相加，得到该目标物体的实例分割结果。
请添加图片描述
检测分支
在这里插入图片描述
原型掩码，其个数K=32,k为超参数，32为原论文给出的

请添加图片描述
实例掩码系数
在这里插入图片描述

检测分支和mask分支加权求和就得到了最终的mask
在这里插入图片描述

参考：https://blog.csdn.net/qq_41204464/article/details/130417487https://blog.csdn.net/qq_41204464/article/details/130417487
https://zhuanlan.zhihu.com/p/376347955

3.评价指标

3.1执行时间

FPS也是指每秒钟可以处理的图像帧数，单位是帧/秒
实例分割的yolov8-seg，在镭神域控上可以达到31帧/秒

3.2准确率

分割性能评价指标有7种：
平均精度（average precision，AP）、平均精度均值（mean average precision，mAP）、平均准确率（mean accuracy，MA）、平均召回率（average recall，AR）、平均交并比（mIoU）、像素准确率（pixel accuracy，PA）和频率加权交并比（frequency weighted intersection over union，FWIoU），比较常用的有两种：平均准确率、平均交并比。
平均准确率PA：表示图像中正确分类的像素数目与像素总数的比率
在这里插入图片描述
交并比

平均交并比mean Intersection over Union：图像像素 每个类的 IoU 值累加后的平均值，大于80%就很高了
在这里插入图片描述

3.3计算开销

计算量的要求是在于芯片的计算量（指的是gpu的运算能力）参数量取决于显存大小

计算量(FLOPs)：即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。
常用的单位有GFLOPs ：GFLOPs为十亿(1e9)次的浮点运算。TFLOPs为万亿次(1e12)

参数量(Params)：是指网络模型中需要训练的参数总数，从侧面反映了所需存储空间的大小。
以alexnet为例：参数量是6000万，假设每个参数都是float,也就是一个参数是4字节，总的字节数是24000万字节
24000万字节= 24000万/1024/1024=228mb
在这里插入图片描述

参考：
https://blog.csdn.net/huarzail/article/details/131739469

本文链接：https://blog.csdn.net/qq_41950533/article/details/135891861

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

计算机丢失concrt140,小编教你解决concrt140 dll 【解决教程】的技巧_-程序员宅基地

文章浏览阅读4.5w次。近日有小伙伴发现电脑出现问题了，在突然遇到concrt140 dll时不知所措了，对于concrt140 dll带来的问题，其实很好解决concrt140 dll带来的问题，下面小编跟大家介绍concrt140 dll解决方法：丢失CONCRT140.dll，怎么办？答：分析及解决：网上下载这个DLL文件，将其放置到system32目录下面。重启系统，或者在CMD下面运行regsvr32*.dl..._concrt140.dll下载教程

微信小程序源码案例大全_微信小程序switch页面demo-程序员宅基地

文章浏览阅读4.3k次，点赞4次，收藏62次。微信小程序demo：足球，赛事分析小程序简易导航小程序demo：办公审批小程序Demo：电魔方小程序demo：借阅伴侣微信小程序demo：投票微信小程序demo：健康生活小程序demo：文章列表demo 微商城（含微信小程序）完整源码+配置指南微信小程序Demo：一个简单的工作系统微信小程序Demo：用于聚会的小程序微信小程序Demo：Growth 是一款..._微信小程序switch页面demo

SLAM学习笔记(Code2)----刚体运动、Eigen库_eigen.determinant-程序员宅基地

文章浏览阅读2.2k次。2.1除了#include<iostream>之外的头文件#include <Eigen/Core>//Core:核心#include <Eigen/Dense>//求矩阵的逆、特征值、行列式等#include <Eigen/Geometry>//Eigen的几何模块，可以利用矩阵完成如旋转、平移/***其他***/#include <ctime>//可用于计时，比较哪个程序更快#include <cmath>//包含a_eigen.determinant

图像梯度-sobel算子-程序员宅基地

文章浏览阅读1w次，点赞12次，收藏61次。（1）理论部分x 水平方向的梯度，其实也就是右边 - 左边，有的权重为1，有的为2 。若是计算出来的值很大说明是一个边界。y 竖直方向的梯度，其实也就是下面减上面，权重1，或2 。若是计算出来的值很大说明是一个边界。图像的梯度为：有时简化为：即：（2）程序部分函数：Sobelddepth 通常取 -1，但是会导致结果溢出，检测不出边缘，故使..._sobel算子

cuda10.1和cudnn7.6.5百度网盘下载链接（Linux版）_cudnn7.6网盘下载-程序员宅基地

文章浏览阅读3.6k次，点赞17次，收藏8次。cuda10.1和cudnn7.6.5百度网盘下载链接（Linux版）在官网下载不仅慢，，，主要是还总失败。。终于下载成功了，这里给出百度网盘下载链接，希望可以帮到别人百度网盘下载链接提取码: vyg5_cudnn7.6网盘下载

Python正则表达式大全-程序员宅基地

文章浏览阅读9.3w次，点赞69次，收藏427次。定义：正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。上面都是官方的说明，我自己的理解是（仅供参考）：通过事先规定好一些特殊字符的匹配规则，然后利用这些字符进行组合来匹配各种复杂的字符串场景。比如现在的爬虫和数据分析，字符串校验等等都需要用_python正则表达式

随便推点

NILM（非侵入式电力负荷监测）学习笔记 —— 准备工作（一）配置环境NILMTK Toolkit_nilmtk学习-程序员宅基地

文章浏览阅读1.9w次，点赞27次，收藏122次。安装Anaconda，Python，pycharm我另一篇文章里面有介绍https://blog.csdn.net/wwb1990/article/details/103883775安装NILMTK有了上面的环境，接下来进入正题。NILMTK官网：http://nilmtk.github.io/因为官方安装流程是基于linux的（官方安装流程），我这里提供windows..._nilmtk学习

k8s-pod 控制器-程序员宅基地

文章浏览阅读826次，点赞20次，收藏28次。如果实际 Pod 数量比指定的多那就结束掉多余的，如果实际数量比指定的少就新启动一些Pod，当 Pod 失败、被删除或者挂掉后，RC 都会去自动创建新的 Pod 来保证副本数量，所以即使只有一个 Pod，我们也应该使用 RC 来管理我们的 Pod。label 与 selector 配合，可以实现对象的“关联”，“Pod 控制器” 与 Pod 是相关联的 —— “Pod 控制器”依赖于 Pod，可以给 Pod 设置 label，然后给“控制器”设置对应的 selector，这就实现了对象的关联。