语义分割
你需要知道的三件事
语义分割与目标检测有何不同?
语义分割是目标检测的一种有用的替代方法,因为它允许感兴趣的对象在像素级跨越图像中的多个区域。这种技术可以清晰地检测形状不规则的对象,与对象检测相反,对象检测必须适合边界框(图2)。
语义分割是如何使用的?
因为语义分割标记图像中的像素,所以它比其他形式的对象检测更精确。这使得语义分割对于需要精确图像地图的各种行业的应用非常有用,例如:
- 自动驾驶-用于通过将道路与障碍物(如行人、人行道、电线杆和其他车辆)隔开来识别汽车的可行驶路径
- 工业检验-用于检测材料中的缺陷,如晶圆检查
- 卫星图像-用于识别山脉、河流、沙漠和其他地形
- 医学影像-用于分析和检测细胞中的癌异常
- 机器人视觉-用于识别和导航对象和地形
示例:自动驾驶应用程序
图4中的序列显示了用于自动驾驶的语义分段的真实示例。道路图像会自动从其他车辆中分割出来。下一节将介绍如何创建这些网络。
理解架构
语义分割的一种常见方法是创建一个基于卷积神经网络(CNN)建筑。典型的CNN架构如图5所示。
该CNN将整个图像分类为许多预定义类别之一。
要在像素级别而不是整个图像进行分类,可以附加CNN的反向实现。执行上采样处理的次数与下采样处理的次数相同,以确保最终图像与输入图像的大小相同。最后,使用像素分类输出层,将每个像素映射到特定的类别。这形成了一个编码器-解码器体系结构,它支持语义分割。
步骤1:标记数据或获取标记数据。
深度学习模型建立在大量数据的基础上,语义分割也不例外。一种选择是在互联网上查找标记数据。如果你有自己的数据集,你可以使用MATLAB中的图像标签应用程序。您可以使用此数据集来训练SegNet。
了解更多
步骤2:为原始图像和标记图像创建数据存储。
当处理大量数据时,通常不可能将所有信息加载到内存中。要管理大型数据集,可以使用数据存储。数据存储包含要访问的文件的位置,并且仅当需要对文件进行操作时,才允许将其读入内存。
要创建SegNet,您需要两个数据存储:
- 图像数据存储,其中包含原始图像
- 像素标签数据库,其中包含标记的图像
步骤3:对数据存储进行分区。
创建SegNet时,必须将数据存储划分为两部分:
- 用于训练SegNet的训练集
- 用于评估网络准确性的测试集
步骤4:导入CNN并将其修改为SegNet。
加载预训练网络(如VGG16)并使用SegNetLayers命令,创建像素级标记所需的编码器-解码器体系结构。
第5步:培训和评估网络。
在最后一步中,为网络设置超参数并训练网络。
如何进一步了解语义分割
视频
- 语义分割概述(7:56)
- 深度学习的去神秘化:语义分割和部署(47:09)-网络研讨会
- 基于深度学习的脑肿瘤三维图像分割(3:14)
示例和如何
- 语义分割与部署-网络研讨会
- 基于深度学习的多光谱图像语义分割–示例