浩瀚之水的专栏

在PyTorch中，方法是类的一个成员函数，用于将参数字典（通常称为state_dict）加载到模型中。这个参数字典包含了模型中所有可训练参数的映射，键是参数的名称（通常是层次化的，以反映模型的结构），值是与这些参数对应的张量（tensors）。

Dice系数​（Dice Coefficient），也称为Dice相似系数​（Dice Similarity Coefficient, DSC），是衡量两个集合相似度的指标，广泛应用于图像分割任务​（尤其是医学影像）中评估预测结果与真实标签的重叠程度。

mIoU（Mean Intersection over Union）​ 是图像分割任务中衡量模型性能的核心指标，尤其广泛应用于语义分割和实例分割。

Mosaic增强通过动态拼接多张图像，显著提升了YOLO系列模型对复杂场景的适应能力。合理调整其使用策略（如概率、阶段），结合其他增强技术，可最大化模型性能。实际应用中需注意标签调整的准确性及计算资源分配，以达到最佳训练效果。

BiSeNet（Bilateral Segmentation Network）是一种用于实时语义分割的网络架构，其核心思想是通过双路径网络结构结合高分辨率和低分辨率特征，以实现高效且精确的语义分割。

对计算机视觉与深度学习有所了解的同学应该知道图像卷积可以识别出物体，在神经网络的前几层，识别出物体最基础的例如垂直或是水平的边缘。在之后的隐藏层慢慢可以识别出物体的部分，直到最后几层可以识别出完整的物体。本篇文章主要介绍卷积层为何可以检测出这些。先介绍一个概念，过滤器：这是一个3*3的过滤器，是一个矩阵，数值如上所示，一会介绍这是干嘛用的。假设我们有一个6*6的灰度图像：把...

Richer Convolutional Features for Edge DetectionCVPR2017Caffe：https://github.com/yun-liu/rcf本文针对边缘检测问题，基于 VGG16 网络设计了一个 richer convolutional features (RCF) 用于边缘检测，效果目前是很好的。首先来看看 VGG16不同卷积层的特征输出...

今天测试时间报错，具体如下图：在网上查了一下，大概的原因是由于程序中使用了随机函数造成的，后来检查了一下prototxt中有可能含有随机数的地方，去掉之后就可以了，包括shuffle：true，以及distort_param两个，把它们去掉就可以了，反正不影响时间测试。...

这是 PaperDaily 的第 44篇文章关于作者：陈泰红，小米高级算法工程师，研究方向为人脸检测识别，手势识别与跟踪。■ 论文 | Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation■ 链接 | https://www.paperweekly.site/papers/16...

http://blog.youkuaiyun.com/houqiqi/article/details/46469981注：如果指令行模式实在解决不了/lib/libcaffe.so: undefined reference to `Mat_VarReadDataLinear'问题，可以尝试在QT下进行训练和测试。1， 下载matio(http://sourceforge.NET/projects/matio/...

git clonehttps://github.com/CharlesShang/FastMaskRCNN.git打开./libs/datasets/pycocotools,执行make下载COCO数据集，放到./data目录下，格式如下./data./coco./annotations./train2014./val2014下载链接：train2014:http://msvocds.blob.c...

前言    开始本文内容之前，我们先来看一下上边左侧的这张图，从图中你看到了什么物体？他们在什么位置？这还不简单，图中有一个猫和一个人，具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置。其实刚刚的这个过程就是目标检测，目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。    目标检测对于人来说是再简单不过的任务，但是对于计算机来说，它...

(Spatial Pyramid Pooling，SPP)是一种用于处理不同尺寸输入的卷积神经网络中的池化方法。它通过将不同大小的池化层级进行组合，从而能够对任意大小的输入图像进行池化操作，从而提高了网络的灵活性和泛化能力。

翻译不易，麻烦 Ctrl-C Ctrl-V 之后标注转载并加上原译者！！部分内容翻译，部分内容原创。内容较多，可以传送门直达。新网络待更…文章目录介绍 网络架构 Fully Convolution Networks (FCNs) 全卷积网络 SegNet U-Net DeepLab v1 DeepLab v2 DeepLab v3 Fully Con...

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.youkuaiyun.com/u012931582/article/details/70314859前言在这里,先介绍几个概念,也是图像处理当中的最常见任务.语义分割(semantic segmentation) 目标检测(object detection...

写在前面：一篇魏云超博士的综述论文，完整题目为《基于DCNN的图像语义分割综述》，在这里选择性摘抄和理解，以加深自己印象，同时达到对近年来图像语义分割历史学习和了解的目的，博古才能通今！感兴趣的请根据自己情况找来完整文章阅读学习。　图像的语义分割是计算机视觉中重要的基本问题之一，其目标是对图像的每个像素点进行分类，将图像分割为若干个视觉上有意义的或感兴趣的区域，以利于后续的图像分析和视觉理解．...

本博文介绍如何手把手制作自己的数据集，并使用SegNet网络进行语义分割，如何训练，如何测试自己的分割模型。---------------------------------------------------------------------------------------------------------------------------------------------...

本文主要记录几种提升基于深度学习的图像语义分割精度的方法，以防忘记！ By zhengzibing2011, 2017年10月21日-星期六 11.图像语义分割面临的挑战(1).特征分辨率减小：主要是由神经网络中的重复最大池化和降采样（stride跨越）操作造成的，而采用此种操作的原因是A.降维，...

Tags: ComputerVision编译src/caffe/layers/contrastive_loss_layer.cpp:56:30: error: no matching function for call to ‘max(double, float)’ Dtype dist = std::max(margin - sqrt(dist_sq_.cpu_data()[i]), ...

最近在工作的业务中需要应用到图像分割，在这里总结一下在应用中遇到的一些问题。一、SegNet简介自2015年FCN的提出后，使用卷积层替代全连接层成为了解决像素级分类种where和what的一种有效办法。在最初的的FCN网络中，作者将最后用于分类的卷积层结果通过双线性差值扩大分辨率后，与前面pooling层之后的feature map进行结合，在提高分类准确率的同时，增加了更多的位置信息。...

雷锋网按：本文整理自雅森科技高级算法研究员杨士霆，在雷锋网硬创公开课上的演讲，主题为“智能医学影像分析的前沿与挑战”。杨士霆，毕业于台湾长庚大学电机工程研究所博士班，主攻医学影像处理与应用。研究领域涉及医学影像处理，生物医学资讯，医用光学，类神经与模糊理论，功能性磁振造影，医学物理与生医统计。曾在台湾林口长庚医院，宁波杜比医疗负责影像算法开发工作，现任职于北京雅森科技发展公司，担任高级算法

原文链接：zhuanlan.zhihu.com腾讯云开发实验室免费开放！1小时搭建人工智能，89个实验室无门槛使用！立即体验吧https://cloud.tencent.com/developer/labs谢谢@潘达的评论，这一篇确实有很多点没有分析完，当时想着后来加上去，但是由于工作的关系，也就不了了之了。最近终于忙完了一个项目，有时间更新一下文章了！--------------

想在windows上训练FCN模型，得有以下几步：安装python： 1.首先在windows上安装python，最好安装python2.7。最新版python和旧版python有很大的区别。 2.安装完python后，我们需要添加环境变量，鼠标右键我的电脑  -> 属性 -> 点击高级系统设置 -> 点击环境变量 -> 点击PATH -> 在最后面加上我们的Python安装路径 ->

1 默认caffe已配置好，直接下载FCN网络模型https://github.com/shelhamer/fcn.berkeleyvision.org将模型文件放到caffe-master路径下2 打开其中一个文件夹voc-fcn8s3 放置好模型，现在就是配置相关路径caffemodel-url中是训练之前预加载的权值模型的下载地址，打开这个文件，并下载这个模型

按照下面这个博客的教程训练FCNhttp://blog.youkuaiyun.com/wangkun1340378/article/details/70238290刚开始了出现‘SIFFlowSegDataLayer’object has no attribute'param_str'的错误：原因是由于我用的caffe是官神mnt文件夹中的caffe，改成用主目录中的caffe就好了或者还

论文全名：Fully Convolutional Networks for Semantic Segmentation全卷积神经网络 FCN代码运行详解：运行平台：Ubuntu 14.04 + cudnn7步骤1.代码准备：下载新版caffe：   https://github.com/BVLC/caffe下载fcn代码：      https://gith

**FCN制作自己的数据集、训练和测试全流程** 花了两三周的时间，在导师的催促下，把FCN的全部流程走了一遍，期间走了很多弯路，现在记录一下。系统环境：ubuntu 16.04LTS一、数据集的制作 注：我的数据集是仿照VOC数据集进行制作的1.resize 数据集我的GPU显存4G，跑过大的图片带不动，需要resize图片大小，放几个修改图片大小的程序。 （1）

参考文章： http://blog.youkuaiyun.com/u013059662/article/details/52770198 caffe的安装配置，以及fcn的使用在我前边的文章当中都已经提及到了，这边不会再细讲。在下边的内容当中，我们来看看如何使用别人提供的数据集来训练自己的模型！在这篇文章之后，我计划还要再写如何fine-tune和制作自己的数据集，以及用自己的数据集fine-tune。

本篇讨论利用caffe进行FCN训练（采用的是pascal-context数据集）1、下载FCN的框架https://github.com/shelhamer/fcn.berkeleyvision.org如图是我在windows下的视图因为不同的数据源和不同的FCN类型的网络结构并不同，对数据源的读取方式也不同，因此有很多分支，本篇博文以pascalcontext-

本来这一篇是想写Faster-RCNN的，但是Faster-RCNN中使用了RPN(Region Proposal Network)替代Selective Search等产生候选区域的方法。RPN是一种全卷积网络，所以为了透彻理解这个网络，首先学习一下FCN(fully convolutional networks)Fully Convolutional Networks for

本文为论文阅读笔记，不当之处，敬请指正。 A Review on Deep Learning Techniques Applied to Semantic Segmentation: 原文链接摘要图像语义分割正在逐渐成为计算机视觉及机器学习研究人员的研究热点。大量应用需要精确、高效的分割机制，如：自动驾驶、室内导航、及虚拟/增强现实系统。这种需求与机器视觉方面的深度学习领域的目

论文阅读笔记：Fully Convolutional Networks forSemantic Segmentation这是CVPR 2015拿到best paper候选的论文。论文下载地址：Fully Convolutional Networks forSemantic Segmentation尊重原创，转载请注明：http://blog.youkuaiyun.com/tan

从图像分类到图像分割卷积神经网络（CNN）自2012年以来，在图像分类和图像检测等方面取得了巨大的成就和广泛的应用。CNN的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征；较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。

遇到问题“cannot import caffe”首先make pycaffe，如果不行，分别尝试：1. export PYHTONPATH=/path/to/caffe/python:$PYTHONPATH注：以上方法只能在当前terminal中生效，如需长久生效，需修改~/.bashrc2. import syssys.pathsys.path.appe

转载自：  点击打开链接背景CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分割挖了一个坑，于是无穷无尽的人往坑里面跳。全卷积网络

1.语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNet   网址：点击打开链接

全卷积网络(Fully Convolutional Network)将CNN应用到了图像语义分割领域。图像语义分割，就是对一张图片上的所有像素点进行分类。以往的CNN都是对整张图片进行分类,不能识别图片中特定部分的物体，而全卷积网络是对一张图片中的每个像素进行分类，以此达到对图片特定部分进行分类的效果。1 卷积化(convolutionalization)卷积化以往分类的网络通常会

前言 (呕血制作啊！)前几天刚好做了个图像语义分割的汇报，把最近看的论文和一些想法讲了一下。所以今天就把它总结成文章啦，方便大家一起讨论讨论。本文只是展示了一些比较经典和自己觉得比较不错的结构，毕竟这方面还是有挺多的结构方法了。介绍 图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类从图像上来看，就是我们需要将实际的场景图分割成下面的分割图： 不同颜色代表不同类别。

截至: 2018-04-16Awesome Semantic SegmentationNetworks by architectureSemantic segmentationU-Net [https://arxiv.org/pdf/1505.04597.pdf]  https://github.com/zhixuhao/unet [Keras] https://lmb.i...

前言　　最近看了语义分割的文章DeepLab，写写自己的感受，欢迎指正。介绍　　图像语义分割，简单而言就是给定一张图片，对图片上的每一个像素点分类。　　图像语义分割，从FCN把深度学习引入这个任务到现在，一个通用的框架已经大概确定了。即前端使用FCN全卷积网络输出粗糙的label map，后端使用CRF条件随机场/MRF马尔科夫随机场等优化前端的输出，最后得到一个精细的分割图...