深度学习目标分割综述-优快云博客

本文链接：https://blog.youkuaiyun.com/xiaotai1234/article/details/112847480

目标分割

一、目标分割概述

在这里插入图片描述

1.什么是目标分割

在这里插入图片描述

2.目标分割算法介绍

在这里插入图片描述

算法分类

在这里插入图片描述

3.数据集及竞赛

在这里插入图片描述

二维数据集

在这里插入图片描述

2.5维度数据集

在这里插入图片描述

3D数据集

在这里插入图片描述

4.算法效果

在这里插入图片描述

评价指标

在这里插入图片描述

目标分割总结

在这里插入图片描述

二、FCN（Fully Convolutional Networks for Semantic Segmentation ）

1.FCN 背景介绍

在这里插入图片描述

2.FCN介绍

全卷积网络

在这里插入图片描述

tf.keras.layers.Conv2DTranspose(
    filters, kernel_size, strides=(1, 1), padding='valid', output_padding=None,
    data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True,
    kernel_initializer='glorot_uniform', bias_initializer='zeros',
    kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,
    kernel_constraint=None, bias_constraint=None, **kwargs
)
参数：
1、filters：整数，输出空间的维数（即卷积中输出过滤器的数量）。
2、kernel_size：2个整数的整数或元组/列表，指定2D卷积窗口的高度和宽度。可以是单个整数，以为所有空间尺寸指定相同的值。
4、strides：一个整数或2个整数的元组/列表，指定沿高度和宽度的卷积步幅。可以是单个整数，以为所有空间尺寸指定相同的值。指定任何跨步值！= 1与指定任何dilation_rate值！= 1 不兼容。
5、padding："valid"或之一"same"（不区分大小写）。
6、output_padding：一个整数或2个整数的元组/列表，指定沿输出张量的高度和宽度的填充量。可以是单个整数，以为所有空间尺寸指定相同的值。沿给定尺寸的输出填充量必须小于沿相同尺寸的步幅。如果设置为None（默认），则推断输出形状。
7、data_format：字符串，channels_last（默认）或之一channels_first。输入中尺寸的顺序。 
8、channels_last对应于具有形状的输入， (batch, height, width, channels)而channels_first 对应于具有形状的输入 (batch, channels, height, width)。默认为image_data_format在Keras配置文件中找到的值~/.keras/keras.json。如果您从未设置，那么它将是“ channels_last”。
9、dilation_rate：一个整数或2个整数的元组/列表，指定用于扩张卷积的扩张率。可以是单个整数，以为所有空间尺寸指定相同的值。当前，指定任何dilation_rate值！= 1与指定任何步幅值！= 1不兼容。
10、activation：要使用的激活功能。如果您未指定任何内容，则不会应用任何激活（即“线性”激活：）a(x) = x。
11、use_bias：布尔值，层是否使用偏置向量。
12、kernel_initializer：kernel权重矩阵的初始化程序。
13、bias_initializer：偏置矢量的初始化器。

在这里插入图片描述

对于移针法，设原图与FCN所得输出图之间的降采样因子是f，那么对于原图的每个f的区域（不重叠），“shift the input x pixels to the right and y pixels down for every (x,y) ,0 < x,y < f." 把这个f区域对应的output作为此时区域中心点像素对应的output，这样就对每个f的区域得到了f^2个output，也就是每个像素都能对应一个output，所以成为了dense prediction。