图像分类目标检测语义/实例/全景分割超像素
Posted Arrow
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图像分类目标检测语义/实例/全景分割超像素相关的知识,希望对你有一定的参考价值。
图像分类、目标检测、语义/实例/全景分割、超像素
1. 图像分类(image classification)
就是识别图像中有哪些内容,如有人、猫、车等(不需要知道每个内容位置和多少)
2. 目标检测(object detection)
识别图像中存在的内容,并检测出第个内容的位置
3. 图像分割(image segmentation)
根据某些规则将图片中的像素分成不同的部分、打上不同标签(即像素分类)
3.1 语义分割(semantic segmentation)
- 对图像中的每个像素打上类别标签,如下图,把图像分为人(红色)、树木(深绿)、草地(浅绿)、天空(蓝色)标签
- 只区分类别,不区分各个目标
3.2 实例分割(instance segmentation)
- 第一步:在图像中将目标检测出来(目标检测)
- 第二步:把目标的每个像素打上标签(语义分割)
- 关注每个目标实例。语义分割不区分属于相同类别的不同实例(所有人都标为红色),实例分割区分同类的不同实例(使用不同颜色区分不同的人)
3.3 全景分割(panoptic segmentation)
- 第一步:把所有目标都检测出来
- 第二步:区分出同个类别中的不同实例
- 实例分割只对图像中的目标(如上图中的人)进行检测和按像素分割,区分不同实例(使用不同颜色),而全景分割是对图中的所有物体包括背景都要进行检测和分割,区分不同实例(使用不同颜色)
4. 超像素(superpixels)
- 超像素最大的功能之一,便是作为图像处理其他算法的预处理,在不牺牲太大精确度的情况下 降维!
- 超像素最直观的解释,便是把一些具有相似特性的像素“聚合”起来,形成一个更具有代表性的大“元素”。
- 而这个新的元素,将作为其他图像处理算法的基本单位。一来大大降低了维度;二来可以剔除一些异常像素点。
- 至于根据什么特性把一个个像素点聚集起来,可以是颜色、纹理、类别等。
以上是关于图像分类目标检测语义/实例/全景分割超像素的主要内容,如果未能解决你的问题,请参考以下文章
图像分割:Semantic/Instance/Panoramic Segmentation