qq_36717487的博客

可以通俗的理解成是图像的纹理，颜色，或者目标的类别等信息，例如在检测网络中，一个图像输入到网络中，经过一层层的卷积之后，，因为越到高层卷积的时候，featuremap映射到原图中的感受野越大，这样对局部的位置信息感受就比较差。1.如何通俗的对深度学习中的语义信息进行理解？语义信息会越来越明显。......

DeepPATH：识别与诊断除了诊断任务自动化，CPATH方法还可用于为病理学家提供更多信息。例如，提取乳腺癌WSI中有丝分裂细胞的2平方毫米热点，就可以根据乳腺癌患者治疗指南（由美国临床肿瘤学会发布）的建议进行肿瘤分级。这种方法的表现与病理学家相当，并且可以减少不同观察者间的诊断差异。使用不同颜色标记前列腺癌区域以代表不同的Gleason分级以及使用CPATH区分不同腺肺癌亚型的生长模式，都能产生类似的结果。此外，分割、检测和分类方法的组合可以对已建立的用于临床实践的生物标志物进行客观量化。一个例子是对

       物体识别或场景理解相关技术从粗粒度推理到细粒度推理的演变：四幅图片分别代表分类、识别与定位、语义分割、实例分割。目前的分割任务主要有两种：（1）像素级别的语义分割（2）实例分割这个有意思，什么叫实例分割呢？它与语义分割有什么区别与联系呢？顾名思义，像素级别的语义分割，对图像中的每个像素都划分出对应的类别，即实现像素级别的分类；而类的具体对象，即为实例，那么实例分割不但要进行像素级别的分类，还需在具体的类别基础上.