腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

图像分类、检测，语义分割等方法梳理

本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。 ? 图像分类(image classification) 给定一张输入图像，图像分类任务旨在判断该图像所属类别。 (1) 图像分类常用数据集以下是几种常用分类数据集，难度依次递增。语义分割(semantic segmentation) 语义分割是目标检测更进阶的任务，目标检测只需要框出每个目标的包围盒，语义分割需要进一步判断图像中哪些像素属于哪个目标。 (2) 语义分割基本思路基本思路逐像素进行图像分类。我们将整张图像输入网络，使输出的空间大小和输入一致，通道数等于类别数，分别代表了各空间位置属于各类别的概率，即可以逐像素地进行分类。 Mask R-CNN 用FPN进行目标检测，并通过添加额外分支进行语义分割(额外分割分支和原检测分支不共享参数)，即Master R-CNN有三个输出分支(分类、坐标回归、和分割)。

机器学习AI算法工程

2019-10-28

1.1K0

标签:

二分类语义分割损失函数

图像语义分割损失函数loss盘点汇总了常用语义分割损失函数. 这里针对二类图像语义分割任务，常用损失函数有： 1 - softmax 交叉熵损失函数(softmax loss，softmax with cross entroy loss) 2 - dice loss 其中，dice loss 和 bce loss 仅支持二分类场景. 对于二类图像语义分割任务，经常出现类别分布不均衡的问题，比如：工业产品的瑕疵检测、道路提取及病变区域提取等. Dice Loss Dice loss 有助于解决二分类语义分割中类别不均衡问题.

2020-06-15

4.6K0

标签:

图像分类语义特征降维可视化

T-SNE降维在我们的CNN中，卷积神经网络用来提取图像的特征，全连接层用来进行线性分类。在上图中，全连接层最后一层有5个神经元，代表5维的向量，就是原图的语义特征。最后一层是线性分类器，有3个输出头，就是输入的5维特征做了一个线性的分类，这里类似于逻辑回归，但逻辑回归是二分类，这里是多分类。这里重点是这个5维向量，它其实在5维空间中已经是线性可分(有关线性可分的内容可以参考模式识别整理中的感知器算法中的线性可分性)了，随便一个线性分类器就可以将其轻松分类。对卷积层输出的各个通道(上图中是4个通道)各自求平均值(上图中，红色通道求红色通道的平均值，绿色通道求绿色通道平均值等等)，这些平均值都是标量，再将这些标量组成一个多维的向量(上图中是4维向量)，就成为了语义特征再用这多维的语义特征去做线性分类，得到多个类别的logits分数，再通过softmax得到各个分类的后验概率。

2022-11-18

8330

标签:

DRN - 扩张残留网络（图像分类和语义分割）

2016年ICML发布了用于语义分割的DilatedNet后，作者提出了DRN，不仅可以提高语义分割效果，还可以提高图像分类效果，而不增加模型的深度和复杂度。文章发表于2017年，被引用超过100次。需要扩张卷积的原因研究结果表明，在网络末端得到的较小输出特征map，降低了语义分割的精度。 Cityscape数据集语义分割 ResNet-101得到的平均IOU为66.6%。在ImageNet的验证集上的分类错误率和模型参数的个数在ImageNet的验证集上的分类错误率和模型参数的个数所有的DRN都可以在参数较少(模型较小)的情况下获得较低的错误率。提高了图像分类精度，最终DRN性能优于最先进的ResNet。

2019-08-21

1.9K0

标签:

ICME 2022 | 通过定位语义块来加速图像分类

来源：Paperweekly本文约3300字，建议阅读9分钟本次文章介绍我们于 ICME-2022 发表的一项通过定位语义块来加速图像分类的工作。本文提出一个 patch 提出网络 AnchorNet，可以定位出语义 patch 进行下游分类。整体的流程图如图 1 所示：图1. 线性分类器的权重张量是，其中是类别数目，表示第行和第列的值来自权重矩阵。因此，本文提出一个简单有效的启发式 patch 选择方法，从而确保定位得到 patch 既具有语义性又能适当分离覆盖更多信息。 ImageNet图像patch定位可视化结果如图 9 所示，AnchorNet 可以自适应地定位到类别判别性的区域，可视化结果也表明使用语义的 patch 区域来进行下游分类时可行的。

2023-04-18

9020

标签:

【源头活水】MaskFormer: 语义分割是像素分类问题吗？

)联系在了一起，并且在语义分割上取得了比像素级分类方法更好的方法。 01 语义分割是像素分类问题吗？ ? 像素分类极大的简化了语义分割，把它从一个分割(segmentation，或者是pixel grouping)的问题变成了一个分类(classification，或者是recognition)的问题。这里引用去年知乎上特别火的一个关于语义分割的提问，我们会发现大部分的回答都是停留在像素分类这个框架下讨论语义分割还有什么可以做的。能否找到一个简洁通用的mask classification模型同时解决语义分割和实例分割问题？ 2. 这个mask classification模型在语义分割上的结果能否超越传统的像素分类模型？

马上科普尚尚

2021-07-29

1.6K0

标签:

三维深度学习中的目标分类与语义分割

导言在过去的几年中，基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果，也促进了很多技术的发展，深度学习在现实生活中的应用也越来越多。其实这种方法可以看作是模拟二维深度学习的过程，只是将图片变成了体素网格，2D CNN变成了3D CNN，确实在分类方面取得了很好的性能。这种技术的思想想并不难理解，其实跟人眼分类物体的方法相似，如果在某一个角度无法正确对物体进行分类，那么我们可以换一个角度试着去进行分类，多视角的方法就是使用了这种思想。网络支持分类和分割任务，对于分类任务来说，就是输出整个点云的类别，而分割任务则是输出点云中每一个点的分类结果。PointNet在这两种任务中都取得了很好的结果。论文另一个吸引人的地方就是BCL2D->3D，可以将从多视图图像中提取的特征利用Permutohedral Lattice投射到三维空间，使得二维图像与点云以一种学习的方法结合在一起，论文也通过这种方法取得了非常好的语义分割性能

SIGAI学习与实践平台

2018-10-18

1.5K0

标签:

三维深度学习中的目标分类与语义分割

在过去的几年中，基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果，也促进了很多技术的发展，深度学习在现实生活中的应用也越来越多。其实这种方法可以看作是模拟二维深度学习的过程，只是将图片变成了体素网格，2D CNN变成了3D CNN，确实在分类方面取得了很好的性能。这种技术的思想想并不难理解，其实跟人眼分类物体的方法相似，如果在某一个角度无法正确对物体进行分类，那么我们可以换一个角度试着去进行分类，多视角的方法就是使用了这种思想。网络支持分类和分割任务，对于分类任务来说，就是输出整个点云的类别，而分割任务则是输出点云中每一个点的分类结果。PointNet在这两种任务中都取得了很好的结果。论文另一个吸引人的地方就是BCL2D->3D，可以将从多视图图像中提取的特征利用Permutohedral Lattice投射到三维空间，使得二维图像与点云以一种学习的方法结合在一起，论文也通过这种方法取得了非常好的语义分割性能

SIGAI学习与实践平台

2018-10-14

4.6K0

标签:

CVPR2021目标检测和语义分割论文分类汇总 | 源码 |

论文提出的分类深度分布网络（Categorical Depth Distribution Network，CaDDN）利用每个像素的预测分类深度分布，将丰富的上下文特征信息投射到三维空间中适当的深度区间作者通过让经过额外数据源训练的强大图像分类器生成多个标签，来解决注释成本的障碍。为了利用附加的特定于位置的监督信号，在最终合并层之前利用了逐像素的多标签预测。 ? ? 遵循该原则对基准网络进行的细微更改将导致ImageNet分类的显着性能改进。此外，COCO对象检测结果和多个数据集上的转移学习结果还为减少网络的代表性瓶颈与提高性能之间的链接提供了其他备份。 ? 本文推理使用提取特征的简单线性分类器，具有与归纳推理相当的计算量，可用于任何基础训练。在基类上使用标准的交叉熵训练，作者的推论在众所周知的几次分割基准上产生了极具竞争力的表现1。语义连续学习（CSS）是一个新兴的趋势，它通过不断地添加新的语义来更新旧的模型语义。本文提出了一种多尺度池蒸馏方案localpod，该方案在特征级保持长、短距离的空间关系。

计算机视觉

2021-07-05

1.6K0

标签:

PaddlePaddle︱开发文档中学习情感分类（CNN、LSTM、双向LSTM）、语义角色标注

一期涉及新手入门、识别数字、图像分类、词向量、情感分析、语义角色标注、机器翻译、个性化推荐。二期会有更多的图像内容。本小结我们以一种简单的文本分类卷积神经网络为例进行讲解（Kim Y. 对于一般的短文本分类问题，上文所述的简单的文本卷积网络即可达到很高的正确率（Kim Y. ：词法分析、句法分析和语义分析。论元识别：这个过程是从上一步剪除之后的候选中判断哪些是真正的论元，通常当做一个二分类问题来解决。对第4步的结果，通过多分类得到论元的语义角色标签。

2019-05-26

1.6K0

标签: