语义分割详解与构建

语义分割详解与实现

• • 0. 前言
  • 1. 图像分割
  • 2. 语义分割网络
  • 3. 运用 Keras 构建语义分割网络
  • 4. 模型训练与测试

0. 前言

目标检测根据每个像素的对象类别对它们进行分类。在目标检测中，我们运用边界框来展示结果；而在语义分割中，同一物体的所有像素均属于相同类别。从视觉上看，同一物体的所有像素将呈现相同颜色，例如属于汽水罐类别的所有像素都会显示为蓝色，非汽水罐物体的像素则呈现不同颜色。语义分割具有诸多实际应用场景，在医学影像领域，它可用于分离并测量正常细胞与异常细胞区域；在卫星影像分析中，可用于测算森林覆盖率或灾害期间的洪水蔓延范围。总体而言，语义分割能用于识别属于同类物体的像素，而无需区分单个物体实例。就是的目的是对图像中的每个对象同时进行定位和识别，而在语义分割中，目的

1. 图像分割

分割算法将图像划分为若干像素集合或区域。划分的目的在于更准确地理解图像内容，这些像素集合可能对应特定应用场景中关注的图像主体。不同的划分方式构成了各类分割算法的本质区别，如下图所示。

语义分割 (Semantic Segmentation) 是为了便于图像分析而为图像中的每个像素分配标签的过程，属于某个对象的所有像素都被突出显示，比如用值 1 覆盖车辆对象像素(假设像素值在 0 - 1 之间