目录
- 课程介绍
- DAY1
- 语义分割初探
- DAY2
- FCN全卷积网络结构详解
- DAY3
- U-Net模型与PSPNet模型详解
- DAY4
- DeepLab系列详解
- DAY5
- 深入解析GCN（图卷积网络）
- DAY6
- 1.实例分割与全景分割概述
- 2.实例分割：Mask R-CNN和SOLO
- 3.全景分割：PanapticFPN和UPSNet
- DAY7
- 主流分割数据集介绍
- 总结
课程介绍
DAY1
语义分割初探
语义分割的基本流程：
学习了解到了图像分割的基本流程，掌握码代码时要谨记对应的流程，要时刻知道自己目前写的代码是流程中的哪一步。
DAY2
FCN全卷积网络结构详解
学习并实现了图像分割的第一个模型——FCN全卷积网络
FCN相比于传统分割方法把FC层换成 1×1 Conv卷积
1x1卷积：降维或者升维，输入到输出的高（h）和宽（w）是不变的，改变的是通道数（c），变化个数和1x1卷积个数一样。
FCN模型缺点：
优点：
- 任意尺寸输入
- 效率高（相较以前）
- 结合浅层信息
缺点：
- 分割结果不够精细
- 没有考虑上下文信息（指像素点周围的信息）
DAY3
U-Net模型与PSPNet模型详解
U-Net模型：
该模型依旧是encode、decode的模式，与FCN不同就是把前面浅层的信息直接与后面上采样的Feature map通过concat叠加融合。
PSPNet
与FCN相比，结合了上下文信息
DAY4
DeepLab系列详解
DAY5
深入解析GCN（图卷积网络）
DAY6
1.实例分割与全景分割概述
2.实例分割：Mask R-CNN和SOLO
3.全景分割：PanapticFPN和UPSNet
DAY7
主流分割数据集介绍
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
