热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

百度飞桨图像分割课程笔记14:全景分割技术详解——PanopticDeepLab(CVPR2019)

Panoptic-DeepLab是一种自底向上的全景分割方法,无需预先进行目标检测。该模型在CVPR2019上提出,以其简洁、强大且快速的特点成为全景分割任务的基准。通过高效地结合实例分割和语义分割,Panoptic-DeepLab能够准确地识别和区分图像中的每个对象和背景区域,为复杂的场景提供全面的分割结果。

bottom-up:不需要先做检测

Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation

论文链接:https://arxiv.org/pdf/1911.10194.pdf

Panoptic-DeepLab框架
在这里插入图片描述


  • 采用双ASPP双解码器结构
  • 预测三个输出,语义分割,实例中心和实例回归
    在这里插入图片描述

Framework:


  • Encoder:ImageNet-Pretrained CNN(with dilated Conv:使得最后两层的尺度保持为1/16)
    在这里插入图片描述

  • Separate ASPP and Decoder:

    • 一个ASPP提取语义多尺度context,不同的上下文
    • 一个ASPP提取实例多尺度context
      在这里插入图片描述
  • 双decoder:两个ASPP的输出,分别于backbone两个高分辨率的feature做融合。
    然后上采样,得到更高分辨率的feature map,为了后面做密集预测。如果分辨率比较大,做密集预测结果是比较好的。(比如要得到100×100的mask,如果是50×50的mask,只需要上采样2倍,但是如果是10×10,就需要上采样10倍,直觉是,更少的feature map,10×10本身的信息量就很好了,得到更高的feature map是比较困难的,结果也会比较差。所以先提前得到一个较大的feature map)
    在这里插入图片描述

  • Semantic segmentation:

    • 用5×5卷积和1×1卷积,得到分割结果(H×W×Num_classes)
      在这里插入图片描述
  • Instance segmentation head:
    在这里插入图片描述

    • predicting instance center point:实例中心预测,预测每个点是不是实例中心的概率。
      H×W×128 通过 5×5卷积,得到H×W×32的,再通过1×1卷积,得到H×W×1的feature map,对于任何点只有一个值,范围为0-1,为概率值,代表该点为实例中心的概率
    • predicting the offsets to its corresponding mass center for every foreground pixel:实例中心回归。
      有了实例中心,怎么得到实例。预测每个点到实例中心的偏移量是多少。H×W×128 通过 5×5卷积,得到H×W×32的,再通过1×1卷积,得到2通道的(Δx,Δy)
      • 训练:实例中心编码为标准差为8个pixel的二维高斯概率分布,MSE loss;(因为如果只用一个点,很难预测。二维高斯map会更好学习一点)
      • 测试:前景像素被分配到最近的质心点。
        在这里插入图片描述![
        在这里插入图片描述

    预测类别怎么知道?实例类别由语义分割结果知道。(语义分割结果不知道属于哪个实例,但是知道实例的类别)
    在这里插入图片描述
    融合语义分割和实例分割,得到最终的分割结果

关于实例分割和全景分割的paper:
在这里插入图片描述


推荐阅读
  • VB.net 进程通信中FindWindow、FindWindowEX、SendMessage函数的理解
    目录一、代码背景二、主要工具三、函数解析1、FindWindow:2、FindWindowEx:3、SendMessage: ... [详细]
  • [转]doc,ppt,xls文件格式转PDF格式http:blog.csdn.netlee353086articledetails7920355确实好用。需要注意的是#import ... [详细]
  • 原文网址:https:www.cnblogs.comysoceanp7476379.html目录1、AOP什么?2、需求3、解决办法1:使用静态代理4 ... [详细]
  • 开机自启动的几种方式
    0x01快速自启动目录快速启动目录自启动方式源于Windows中的一个目录,这个目录一般叫启动或者Startup。位于该目录下的PE文件会在开机后进行自启动 ... [详细]
  • 如果应用程序经常播放密集、急促而又短暂的音效(如游戏音效)那么使用MediaPlayer显得有些不太适合了。因为MediaPlayer存在如下缺点:1)延时时间较长,且资源占用率高 ... [详细]
  • 本文详细介绍了Java反射机制的基本概念、获取Class对象的方法、反射的主要功能及其在实际开发中的应用。通过具体示例,帮助读者更好地理解和使用Java反射。 ... [详细]
  • 基于iSCSI的SQL Server 2012群集测试(一)SQL群集安装
    一、测试需求介绍与准备公司计划服务器迁移过程计划同时上线SQLServer2012,引入SQLServer2012群集提高高可用性,需要对SQLServ ... [详细]
  • WinMain 函数详解及示例
    本文详细介绍了 WinMain 函数的参数及其用途,并提供了一个具体的示例代码来解析 WinMain 函数的实现。 ... [详细]
  • IOS Run loop详解
    为什么80%的码农都做不了架构师?转自http:blog.csdn.netztp800201articledetails9240913感谢作者分享Objecti ... [详细]
  • 本文介绍如何在 Android 中自定义加载对话框 CustomProgressDialog,包括自定义 View 类和 XML 布局文件的详细步骤。 ... [详细]
  • javascript分页类支持页码格式
    前端时间因为项目需要,要对一个产品下所有的附属图片进行分页显示,没考虑ajax一张张请求,所以干脆一次性全部把图片out,然 ... [详细]
  • 实验九:使用SharedPreferences存储简单数据
    本实验旨在帮助学生理解和掌握使用SharedPreferences存储和读取简单数据的方法,包括程序参数和用户选项。 ... [详细]
  • 单元测试:使用mocha和should.js搭建nodejs的单元测试
    2019独角兽企业重金招聘Python工程师标准BDD测试利器:mochashould.js众所周知对于任何一个项目来说,做好单元测试都是必不可少 ... [详细]
  • 本文详细解析了使用C++实现的键盘输入记录程序的源代码,该程序在Windows应用程序开发中具有很高的实用价值。键盘记录功能不仅在远程控制软件中广泛应用,还为开发者提供了强大的调试和监控工具。通过具体实例,本文深入探讨了C++键盘记录程序的设计与实现,适合需要相关技术的开发者参考。 ... [详细]
  • 本文深入解析了JDK 8中HashMap的源代码,重点探讨了put方法的工作机制及其内部参数的设定原理。HashMap允许键和值为null,但键为null的情况只能出现一次,因为null键在内部通过索引0进行存储。文章详细分析了capacity(容量)、size(大小)、loadFactor(加载因子)以及红黑树转换阈值的设定原则,帮助读者更好地理解HashMap的高效实现和性能优化策略。 ... [详细]
author-avatar
jackdaosen900
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有