语义分割,实例分割,全景分割梳理

语义分割(semantic segmentation)

实例分割(instance segmentation)

全景分割(Panoptic Segmentation)

下面基于**《Panoptic Segmentation 》**这篇论文进行这几个概念的梳理

论文链接:https://openaccess.thecvf.com/content_CVPR_2019/papers/Kirillov_Panoptic_Segmentation_CVPR_2019_paper.pdf

论文提出并研究了一个称之为全景分割(Panoptic Segmentation,PS)的任务。全景分割统一了语义分割(为每个像素分配一个类标签)和实例分割(检测和分割每个对象实例)这两个典型的不同任务

Figure 1. 给定图像(a);标签如(b)为语义分割(每个像素的类别标签);标签如(c) 实例分割(每个对象掩码和类别标签);标签如(d)提议的全景分割任务(每像素类别+实例标签);全景分割任务:(1) 包括stuff和thing的类别;(2) 使用简单但通用的格式;(3) 为所有类别引入统一的评估指标。全景分割概括了语义分割和实例分割,我们期待统一的任务将带来新的挑战,并促成创新的新方法。

上图中thing指代诸如人、动物、工具之类的可数对象,stuff是指具有相似纹理或材料的无定形区域,例如草、天空、道路。

(1)语义分割与实例分割区别联系

总的而言,目前的分割任务主要有两种: 语义分割和实例分割。

语义分割是对图像中的每个像素都划分出对应的类别 ,即实现像素级别的分类; 而类的具体对象,即为实例

语义分割和实例分割的区别又是什么

语义分割会为图像中的每个像素分配一个类别 ,但是同一类别之间的对象不会区分。而实例分割,只对特定的物体进行分类。这看起来与目标检测相似,不同的是目标检测输出目标的边界框和类别,实例分割输出的是目标的Mask和类别

语义分割、分类和定位、目标检测和实例分割的比较

(2)语义分割与实例分割经典网络

1.语义分割

<1>全卷积网络FCN https://arxiv.org/pdf/1411.4038.pdf

全卷积网络可以有效地学习,使每个像素的任务,如语义分割密集的预测。

将全连接层转换为卷积层使分类网能够输出热力图。增加层和空间损耗(如上图所示)为端到端密集学习提供了一个高效的机器。

<2>U-Net https://arxiv.org/pdf/1505.04597.pdf

<3>SegNethttps://browse.arxiv.org/pdf/1511.00561.pdf

<4>空洞卷积Dilated Convolutionshttps://browse.arxiv.org/pdf/1511.07122.pdf

<5>DeepLab v1-v3+

v1:https://browse.arxiv.org/pdf/1412.7062v3.pdf

v2:https://browse.arxiv.org/pdf/1606.00915.pdf

v3:https://browse.arxiv.org/pdf/1706.05587.pdf

v3+:https://browse.arxiv.org/pdf/1802.02611.pdf

<6>RefineNethttps://browse.arxiv.org/pdf/1611.06612.pdf

<7>PSPNet(Pyramid Scene Parsing Network)https://browse.arxiv.org/pdf/1612.01105.pdf

2.实例分割

<1>两阶段Mask R-CNNhttps://browse.arxiv.org/pdf/1703.06870.pdf

<2>Instance-sensitive FCNhttps://browse.arxiv.org/pdf/1603.08678.pdf

<3>FCIShttps://browse.arxiv.org/pdf/1611.07709.pdf

<4>YOLACT: Real-time Instance Segmentationhttps://browse.arxiv.org/pdf/1904.02689v2.pdf

<5>PolarMaskhttps://browse.arxiv.org/pdf/1909.13226.pdf

<6>SOLO: Segmenting Objects by Locationshttps://browse.arxiv.org/pdf/1912.04488.pdf

<7>RDSNethttps://browse.arxiv.org/pdf/1912.05070.pdf

<8>PointRendhttps://browse.arxiv.org/pdf/1912.08193.pdf

<9>BlendMaskhttps://browse.arxiv.org/pdf/2001.00309.pdf

相关推荐
230L1_78M69Q5487H1 分钟前
【基于OpenCV的图像处理】图像预处理之二值化处理以及图像的仿射变换
图像处理·opencv·计算机视觉
落了一地秋39 分钟前
4.5 优化器中常见的梯度下降算法
人工智能·算法·机器学习
格林威1 小时前
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现卫星图像识别(C#代码,UI界面版)
人工智能·深度学习·数码相机·yolo·计算机视觉
豆浆Whisky1 小时前
字节Coze入场开源,一文搞定基础部署和实践,放弃Dify?
人工智能·coze
柠檬味拥抱1 小时前
基于YOLOv8的边坡排水沟堵塞检测与识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
人工智能
李想AI1 小时前
Coze智能体本地部署保姆级教程
人工智能
TechubNews1 小时前
RWA与DeFi(去中心化金融)的关系是什么?RWA在DeFi中扮演什么角色?
人工智能·区块链
AndrewHZ1 小时前
【图像处理基石】如何对遥感图像进行目标检测?
图像处理·人工智能·pytorch·目标检测·遥感图像·小目标检测·旋转目标检测
非优秀程序员1 小时前
8 个提升开发者效率的小众 AI 项目
前端·人工智能·后端
留意_yl2 小时前
量化感知训练(QAT)流程
人工智能