分割任务包括 语义分割、实例分割 和 全景分割

在计算机视觉中,分割任务主要包括 语义分割 、实例分割 和 全景分割,它们有不同的目标和应用。以下是每种任务的简要说明:

1. 语义分割 (Semantic Segmentation)

语义分割的目标是对图像中的每个像素进行分类,即将图像分成不同的语义区域,每个区域包含相同类型的物体或背景。语义分割不区分同类物体的不同实例。例如,图像中的所有"车"像素都被标记为相同的类别,而不管它们是不同的车。

  • 特点: 每个像素被分配一个类别标签。
  • 应用: 自动驾驶、医疗图像分析(例如,肿瘤区域分割)、遥感图像分析等。

例子:

  • 在一张街景图像中,语义分割可能将所有人、所有车、所有建筑物等像素分别标记为不同的类别。

2. 实例分割 (Instance Segmentation)

实例分割不仅要进行像素级的分类,还要区分同类物体的不同实例。也就是说,它既要标记每个像素的类别,又要确保不同的实例(即不同的物体)被区分开来。举例来说,若图像中有多辆车,实例分割会将每辆车的像素区域独立标注,避免把它们混在一起。

  • 特点: 既做语义分割,又对同类物体进行区分。
  • 应用: 自动驾驶、机器人抓取、视频监控分析等。

例子:

  • 在街景图像中,实例分割不仅会标出所有车辆的像素区域,还会分别标识出不同的车辆。

3. 全景分割 (Panoptic Segmentation)

全景分割结合了语义分割和实例分割的目标,不仅要求对图像中的所有像素进行分类(语义分割),还要求对所有物体实例进行分割(实例分割)。全景分割将每个像素分配一个类别标签,并为每个物体实例分配一个唯一的标识符。它的优势在于同时处理了背景与物体的实例分割任务。

  • 特点: 结合了语义分割和实例分割,全面标注图像中的每个像素,且对背景和物体实例都进行处理。
  • 应用: 自动驾驶、场景理解、增强现实等。

例子:

  • 在街景图像中,全景分割不仅会标记出所有车辆、行人、建筑等的类别,还会分别为每辆车、每个人、每座建筑分配不同的实例标识符。

总结

  • 语义分割: 仅区分物体类别,不区分不同实例。
  • 实例分割: 区分同一类别下的不同实例。
  • 全景分割: 综合语义分割与实例分割,全面标注所有像素,处理背景与物体实例。

这些任务在自动驾驶、机器人视觉、医学影像分析等领域都有广泛应用,并且在模型设计上有不同的挑战和要求。

注意,这边红色部分指的是预测值为0而实际非0绿色部分指的是预测为0并且实际也为0灰色部分指的是预测就不为0的区域

对于右边的表格,其含义是在预测标签为X的情况下,实际的标签是0 1 2 3 4的分别有多少个

所以左上角的0 0被预测成 1 2虽然预测结果是错误的,但不属于误判为0这个错误,而是误判为1和2这个错误他们被统计的地方对应右边表格的第二、三行的第一列

分子为预测正确的像素个数,分母为总像素个数TP/(TP+FN)

相关推荐
高洁0115 小时前
世界模型的因果内核:从预测表象到理解机制
人工智能·python·深度学习·transformer·迁移学习
意念回复1 天前
从 RNN 到 GQA:自注意力与多头注意力机制全解析
人工智能·rnn·深度学习
哈尔滨张谦蛋2 天前
兰州大学 · 甘肃省可穿戴装备重点实验室 · 2027年博士招生
人工智能·深度学习
chh5632 天前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert
汤姆宝库3 天前
RoPE旋转位置编码的实现与长上下文外推
python·深度学习·机器学习
tellmewhoisi3 天前
深度学习0:数学知识:(L1正则化和L2正则化)
人工智能·深度学习
AI小怪兽3 天前
你的视觉基础模型会说“植物语“吗?面向目标检测的视觉基础模型植物语法
人工智能·深度学习·机器学习
罗西的思考3 天前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
tellmewhoisi4 天前
深度学习0:数学知识:(雅可比矩阵)
人工智能·深度学习·矩阵