这篇博客介绍了图像分割与检测的重要任务，包括语义分割、单目标检测和目标检测。重点讲解了R-CNN系列（R-CNN, Fast R-CNN, Faster R-CNN）的工作原理，以及YOLO和SSD的快速目标检测方法。此外，还探讨了实例分割的Mask R-CNN，并对比了各种网络在精度和速度上的差异。"
133872683,19673332,Android直播美颜技术实现,"['Android开发', '图像处理', '直播技术', '美颜算法', '滤镜应用']
CS231n Lecture 11：图像分割与检测
图像的分割和检测的相关任务有不同的粒度，我们首先明确一下有关概念：
- 语义分割（Semantic Segmentation）：将每个像素标注为某一类别，是一个分类问题。该任务不区分实例，即同一类别的不同实例都标为同一颜色（如下图中的两头牛）；
- 单目标检测：只识别图像中的一个目标，并标出bounding box，此任务可以理解为分类+定位；
- 目标检测（Object Detection）：识别图像中的所有目标，并分别标出bounding box；
- 实例分割（Instance Segmentation）：识别图中所有目标，并标出它们的精确边界。
一、语义分割
滑动窗口？
现在尝试实现语义分割。为了预测某个像素所属的类别，我们可以以这个像素为中心在原图中裁切出一个子图（Patch），并对这个子图进行图像分类（Classification）。我们使用滑动窗口依次对每个像素对应的patch进行分类，最终得到结果。
这样做理论上是可以的，但显然计算量太大，有许多冗余计算——patch间的重合部分的feature map是相同的。
直接上CNN？
我们可以直接串联若干卷积层，输出C个[H x W]的feature map作为结果（C为类别数），第i个feature map代表各像素属于类别i的概率。但这需要需要人工标注大量
最低0.47元/天 解锁文章
扫一扫
8311
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
