图像分割：

预测目标的轮廓。将不同的像素划分到不同的类别，非常细粒度的分类。

                

图像分割的应用场景

人像抠图，医学组织提取，遥感图像分析，自动驾驶，材料图像等。

               

图像分割的前景与背景

物体Things：可数前景目标(行人等)。

· 事物Stuff：不可数背景(天空，草地，路面)。

图像分割的三层境界

语义分割(semantic segmentation)每一个像素必须只能属于一类，预测结果为掩膜。

实例分割(instance segmentation)只预测前景目标的类别属性以及边框，个体ID，每一个像素可以属于多个ID。

全景分割(panoptic segmentation)每个像素点分配一个语义类别和一个唯一的实例ID。

                    

图像分割的数据集

VOC数据集：PASCAL VOC挑战赛(The PASCAL Visual Object Classes)是一个世界级的计算机视觉挑战赛。

       

从2007年开始引进了语义分割和实例分割的标注。

         、

Cityscape数据集：50个城市在春夏秋三个季节不同时间段不同场景、背景的街景图。

                

语义分割和实例分割。

                

COCO数据集：以场景理解为目标，特别选取比较复杂的日常场景。

                   

数据集图像特点

               

图像分类精度相关指标：

PA（Pixel Accuracy）：图像素分类精度。

 MPA（Mean Pixel Accuracy）：每个类被正确分类的像素数的比例。

                               

IOU（Intersection over Union）：前景目标的交并比。

MIOU（Mean Intersection over Union）：每个类别的IOU的平均值。

FWLU（Frequency Weighted LU）：根据每个类出现的概率给MLU赋权重计算的指标。

卷积模块和反卷积模块：

卷积模块：用于特征提取。

反卷积模块：用于上采样恢复到原始图像尺度。

卷积网络：编码器

反卷积网络：解码器

编码器和解码器的应用：

编码器和解码器在自然语言处理项目中的应用，如翻译项目。