1.什么是语义分割：
常见的分割任务：
语义分割（semantic segmentation）：对比分类任务，对图片中的每个像素进行分类。FCN
实例分割（Instance segmentation）：在实例分割当中是不考虑背景情况的。且针对于同一个类别中的不同目标，也用不同的颜色来进行标注。Mask R-CNN
全景分割（Panoramic segmentation）：可以理解为语义分割+实例分割。要求不仅要对目标进行标注，更要求对背景进行标注。Panoptic FPN
2.学习计划：
3.语义分割任务常见数据集格式：
PASCAL VOC:
像素0对应的是（0，0，0）黑色，像素1对应的是（127，0，0）深红色，像素255对应的是（224，224，129）
https://blog.csdn.net/qq_37541097/article/details/115787033
(介绍PASCAL VOC数据集的，有说到语义分割的数据格式是怎么样的)
MS COCO:
针对图像中的每一个目标都记录了多边形坐标。
https://blog.csdn.net/qq_37541097/article/details/113247318（读取每个图像的分割信息部分有详细介绍）
4.语义分割得到结果的具体形式：
语义分割后得到的结果应该是一张单通道的图片（彩色的原因是因为加上了调色板之后的效果）
5.语义分割常见评价指标：
分子表示 预测标签图像中 所有预测正确的像素个数 的总合。
分母是 预测图片的的 总像素个数。
分子为 对于 类别i 预测正确的像素个数。ti对应目标类别像素个数总个数（真实标签）。
计算每个类别的IOU，然后对每个类别求平均得到了mean IoU。
例子：
整体的acc：
分子为预测正确像素的个数，分母为像素总个数。
针对每一个类别的acc：
Mean IOU：
将这五个类别的IOU相加 ，除以5就得到了 Mean IoU。
分子表示为 对应类别预测正确的像素个数 ， 分母表示为 对应类别真实标签像素个数+对应类别预测标签个数-预测正确的像素个数 。
6.语义分割标注工具：
Labelme：使用指南（https://blog.csdn.net/qq_37541097/article/details/120162702）
EISeg:https://github.com/PaddlePaddle/PaddleSeg
使用指南（https://blog.csdn.net/qq_37541097/article/details/120154543）
Original: https://blog.csdn.net/z577554980/article/details/122214452
Author: Hzt_dreamer
Title: 深度学习-语义分割前言
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/530955/
转载文章受原作者版权保护。转载请注明原作者出处！