CS231N 笔记7_图像分割和注意力模型【了解需要看论文】
2018-01-20 23:31
666 查看
图像分割
图像分割需要将前景和背景分隔开,即对背景打上掩码。普通的图像分割就是按照图像的颜色纹理将图片的不同区域划分开来;而语义分割是将不同的单元划分出来,比如将人、树、草地分割开来;实例(instances)分割则更进一步,将人这个单元的不同个体给分割开来,从而知道左边的人和右边的人不是同一个实例个体。语义分割
为像素打上相应的标签,不关心具体实例。最蠢的方法是将图像分为很多个小块图像,对每个小块图像进行分类,这种方法十分耗时。人们一般用全卷积神经网络对图像进行检测,一次性得到所有的标签结果。
实例分割
实例分割不仅对图像进行分类,而且对每个类别划分实例。在论文中,该实现的特征提取方式是两种方式共同进行的:1. 从原始图像不同大小的框得出的不同大小的图像;2. 去除了背景颜色的图像;将这两种图像结合起来放入CNN中得出分类。
这种实现方式其实和物体检测很像,可以使用类faster RCNN的结构去操作。
Attention Models 注意力模型
相关文章推荐
- 批训练、注意力模型及其声纹分割应用,谷歌三篇论文揭示其声纹识别技术原理
- 论文阅读笔记:图像分割方法deeplab以及Hole算法解析(diliation)
- 基于高维视觉特征模型的目标图像检测与图像分割技术研究---论文摘录
- 论文_阅读笔记_基于机器视觉的水稻秧苗图像分割
- 论文笔记 | 基于深度学习的图像语义分割技术概述之5.1度量标准
- 图像分割、目标检测 MASK R-CNN 论文阅读笔记
- 图像分割笔记
- 论文阅读: 图像分类中的注意力机制(attention)
- Windows 安全模型:每个驱动程序作者都需要了解的内容
- 深度学习-模型压缩之Quantization & Binarization方向论文阅读笔记
- python OpenCV学习笔记(二十九):图像流域(分水岭)分割算法
- 【论文笔记】物体检测与分割系列 Deformable Convolution Network
- [学习笔记]java方向需要了解的基础内容
- 图像领域论文笔记
- CS231n课程笔记2.1:图像分类问题简介&KNN
- 论文阅读笔记(三)细粒度图像检索
- Recorder︱图像语义分割(FCN、CRF、MRF)、论文延伸(Pixel Objectness、)
- 面向遥感图像分割的自适应特征选择水平集模型
- tensorflow 学习笔记(十二)- 用别人训练好的模型来进行图像分类
- 图像分割之(六)交叉视觉皮质模型(ICM)