机器学习周记（第三十五周：语义分割）2024.4.15~2024.4.21

最新推荐文章于 2025-12-22 22:11:53 发布

原创

最新推荐文章于 2025-12-22 22:11:53 发布 · 1.1k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #深度学习 #机器学习 #神经网络 #图像处理 #计算机视觉 #分类

本文介绍了语义分割的基本概念，探讨了FCN、DeepLabV3和LR-ASPP等经典网络，详细讲解了转置卷积在上采样中的作用。此外，还涵盖了数据集格式、评价指标和常用的标注工具，如Labelme和EISeg。

摘要

本周主要学习了语义分割的基本概念及其在计算机视觉领域中的应用。了解了语义分割的几种经典网络，如全卷积网络（FCN）、DeepLabV3和LR-ASPP等。深入理解了这些网络的结构和工作原理，特别是FCN网络，它通过替换传统CNN的全连接层为卷积层，实现对图像的像素级分类。此外，还知道了语义分割的常用数据集格式、评价指标以及标注工具，如Labelme和EISeg，并详细讨论了转置卷积的机制和其在神经网络中上采样的应用。最后，学习了FCN网络的结构和原理，理解了其在处理任意尺寸输入图像和保留空间信息方面的优势。

ABSTRACT

This week, we primarily studied the basic concepts of semantic segmentation and its applications in the field of computer vision. We explored several classical networks used in semantic segmentation, such as the Fully Convolutional Network (FCN), DeepLabV3, and LR-ASPP. We gained a deep understanding of the structure and working principles of these networks, particularly the FCN, which accomplishes pixel-level classification of images by replacing the fully connected layers of traditional CNNs with convolutional layers. Additionally, we learned about common data set formats, evaluation metrics, and annotation tools used in semantic segmentation, such as Labelme and EISeg. We also discussed in detail the mechanism of transposed convolution and its application in upsampling within neural networks. Lastly, we studied the structure and principles of the FCN network, understanding its advantages in handling input images of arbitrary size and preserving spatial information.

1 语义分割基本概念

语义分割是计算机视觉领域中的一种重要技术，它的目标是将图像分割成多个区域，每个区域表示特定的语义类别。这些类别可以是人、车辆、建筑物等，也可以是更具体的对象，如道路、天空、植被等。语义分割任务是将属于同一类别的像素组合在一起，并为每个像素指定一个类别标签。

语义分割经典网络有全卷积网络（FCN）、DeepLabV3以及LR-ASPP等。全卷积网络（FCN）是语义分割中的一种流行架构，它通过替换CNN中的全连接层为卷积层，使得网络能够输出与输入图像同样大小的特征图，实现像素到像素的分类。DeepLabV3是一个先进的深度学习架构，专门用于图像语义分割任务，由谷歌的研究团队开发。这个模型是DeepLab系列的第三个版本，继承并改进了之前版本的一些核心概念，特别是在处理图像中的多尺度信息和边界细节上具有显著的优势。LR-ASPP通常用在轻量级的卷积神经网络中，如MobileNet或EfficientNet，这些网络本身就是为了减少计算资源的消耗而设计的。在语义分割任务中，输入图像首先通过这种轻量级的基础网络进行特征提取。之后，特征图经过LR-ASPP模块进行进一步处理，模块中包括不同空洞率的空洞卷积和全局平均池化层，以捕获多尺度和全局信息。