MATLAB算法实战应用案例精讲-【人工智能】语义分割（补充篇）(附matlab代码实现)

目录

前言

什么是语义分割？

存在的问题瓶颈

语义分割发展历程

几个高频面试题目

实例分割、语义分割与全景分割的区别

（1）语义分割 (semantic segmentation)

（2）实例分割(Instance segmentation)

（3）全景分割(Panoramic segmentation)

知识储备

1.语义分割常用特征提取框架

2.注意力机制的作用

3.实时分割算法常用思想

4.样本不平衡

(1)正负样本不均衡

(2)难易样本不均衡

(3)类别间样本不均衡

5.简述实时语义分割模型的加速方法

6.RGB-D分割算法中的融合方式主要分为：

算法原理

算法思想

（1）用卷积神经网络分类

（2）用条件随机场优化

（3）分类器架构

（4）其他训练方案

语义分割损失函数代码实现

​1.Log loss 

2、Dice Loss

3、FOCAL LOSS

​编辑

5.BCE + DICE LOSS

 6、WEIGHTED BCE LOSS

7、WEIGHTED BCE DICE LOSS

8、 Mean IOU

语义分割的方法

1-基于区域的语义分割

2-全卷积网络语义分割

3-弱监督语义分割

常用算法

算法汇总

01. 用于语义图像分割的深度神经网络弱和半监督学习（ICCV，2015）

02. 用于语义分割的全卷积网络（PAMI，2016）

03. U-Net：用于生物医学图像分割的卷积网络

04. 100层Tiramisu：用于语义分割的全卷积DenseNets（2017）

05. 扩张卷积的多尺度背景聚合（ICLR,2016）

06. DeepLab: 基于深度卷积网络，空洞卷积和全连接CRFs的图像语义分割(TPAMI, 2017)

07. 重新思考用于语义图像分割的Atrous卷积（2017）

08. 基于空洞可分离卷积编解码器的图像语义分割(ECCV, 2018)

09. FastFCN：重新思考语义分割模型主干中的扩张卷积（2019）

10. 通过视频传播法和标签松弛法优化语义分割(CVPR, 2019)

11. 门控 SCNN：用于语义分段的门控形状CNNs（2019）

算法步骤

知识拓展

在Pytorch中使用Mask R-CNN进行实例分割操作

1.Mask R-CNN结构

2.输入和输出

 3.代码实现

4.GPU与CPU时间对比  

应用案例

用全卷积网络进行语义分割

代码实现

 结果展示​编辑

知识拓展

基于深度学习的图像语义分割方法综述

1.背景介绍

2.相关背景及早期研究介绍

3 基于区域分类的图像语义分割方法

4基于像素分类的图像语义分割方法

 5 图像语义分割实验分析与对比

6.存在的问题及展望 

应用场景

代码实现

matlab

MATLAB环境下基于深度学习的自动驾驶语义分割

---

前言

语义分割作为计算机视觉领域的关键任务，是实现完整场景理解的必经之路。为了让机器拥有视觉，要经过图像分类、物体检测再到图像分割的过程。其中，图像分割的技术难度最高。

越来越多的应用得益于图像分类分割技术，全场景理解在计算机视觉领域也至关重要。其中一些应用包括自动驾驶车辆、人机交互、AR-VR等。随着近年来深度学习的普及，很多语义分割问题都在使用深度架构来解决，其中最常见的是CNN(卷积神经网)，它的精度和效率都大大超过了其他方法。

它的一些主要应用是在自动驾驶、人机交互、机器人和照片编辑/创意工具中。例如，语义分割在汽车自动驾驶和机器人技术中是至关重要的，因为对于一个模型来说，了解其所处环境中的语义信息是非常重要的。