2023.3.30图像处理学习笔记

图像分割一些基本操作

下采样:

①降维,减少图片尺寸,减轻计算量
②对卷积得到的Feature MapFeatureMap 进行进一步压缩 通俗的说,实际上就是卷积层之间的池化操作。

上采样:

①升维。
②还原为原尺寸。

卷积层:

(普通卷积、3D卷积、膨胀卷积[空洞卷积 扩张卷积 Dliated convolution]、分组卷积、转置卷积、)
①卷积的作用就是为了将Input的数据做一次特征提取。

批标准化:

Batch Normalization
①加速网络的收敛速度
②控制了梯度消失的问题
③防止过拟合

激活函数层:

sigmoid
tanh
ReLU
Leaky ReLU
Maxout
ELU

池化层:

(最大值池化,平均值池化、求和池化)
①降维,减少网络要学习的参数数量
②防止过拟合
③扩大感受野
④实现不变性(平移、旋转、尺度不变性)

使用顺序Conv=>BN=>ReLU=>dropout=>Conv

图像分割基础知识

  • 感受野 Receptive field
  • MIOU评估标准 Modular Input/Output Unit
  • 步长 stride
  • 边缘填充 padding
  • 通道 channel

语义分割概述

分类

  • 强监督学习
  • 弱监督学习
  • 区域自适应
  • 多模态数据融合
  • 实时数据分割

数据集

  • 没有跨域数据集
  • 跨域数据集
  • 合成数据集

弱监督标签类型

  • 图像级标签
  • 边框标注
  • 涂鸦标注
  • 点标注

U2-net

论文学习

《U 2 -Net Going deeper with nested U-structure for salient object detection》
下载链接:https://pan.baidu.com/s/1YqNPxeNmqPnBTiRpofmUcA
提取码:ydsm
2023.3.30图像处理学习笔记_第1张图片

tips:最后由于图片太小,所以不进行下采样。如果进行下采样,那么可能丢失重要的特征。并且在这里作者使用了膨胀卷积,因为特征图很小,不需要花费很多的计算和时间来执行膨胀卷积。

GitHub新发现

U2-NET源码

https://github.com/xuebinqin/U-2-Net

webapp源码

https://github.com/renatoviolin/bg-remove-augment

你可能感兴趣的:(研究生自学笔记,图像处理,学习,深度学习)