MATLAB算法实战应用案例精讲-【人工智能】语义分割(附实战应用案例及代码)_matlab 人工只能

目录

前言

 几个相关概念

算法原理

语义分割存在的难点

语义分割类型

语义分割的特征

1.图像分类

2.图像检测

3.图像分割

语义分割流程

数据集和指标

数据集

评价指标

mIoU计算示例

语义分割常见算法

FCN:CNN语义分割的开山之作

PSPNet

空洞卷积（Dilated Convolution）

 DenseASPP

Deeplab_v1

 EncNet(Context Encoding Network)

 U-Net

 Seg-Net

Deeplab_v2

RefineNet

 Large Kernel Matters

 deeplabv3

 ResNet_DUC

 deeplabv3+

 DFANet

DANet

Auto_Deeplab

APCNet

CANet

 应用场景

1.地质检测——土地使用

2.无人驾驶

3.用于面部分割

4.时尚——分类服装

5.精准农业

6.遥感图像分割

7.医学图像分割

应用案例

LIC2022视频语义理解

(1)问题描述

 （2）环境搭建

（3）数据处理

（4） 视频语义标签基线

（5）结果文件生成和提交

Pascal VOC2012语义分割

数据处理

---

前言

语义分割是一种典型的计算机视觉问题，其涉及将一些原始数据（例如，平面图像）作为输入并将它们转换为具有突出显示的感兴趣区域的掩模。许多人使用术语全像素语义分割（full-pixel semantic segmentation），其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID。

早期的计算机视觉问题只发现边缘（线条和曲线）或渐变等元素，但它们从未完全按照人类感知的方式提供像素级别的图像理解。语义分割将属于同一目标的图像部分聚集在一起来解决这个问题，从而扩展了其应用领域。
 

语义分割，也称为像素级分类问题，其输出和输入分辨率相同（如题图中，左边为2048x1024分辨率的Cityscapes街景图像，输入模型，得到右边同样分辨率的语义图）。由此，语义分割具有两大需求，即高分辨率和高层语义，而这两个需求和卷积网络设计是矛盾的。

语义分割是计算机视觉中很重要的一个方向。不同于目标检测和识别，语义分割实现了图像像素级的分类。它能够将一张图片或者视频（视频以帧来提取的话其实就是图片），按照类别的异同，将图像分为多个块。