语义分割的根本目的：像素级分类！

不同分割网络效果

语义分割算法的基本流程

• 输入：图像（RGB）
  • cv.imread、dataloader…
• 算法：深度学习模型
  • FCN、UNet…
• 输出：分类结果（与输入大小一致的单通道图）
• 训练过程：
  • 输入：image + label
  • 前向：out = model(image)
  • 计算损失：loss = loss_func(out, label)
  • 反向：loss.backward()
  • 更新权重：optimizer.minimize(loss)

语义分割性能指标
分割网络的评价指标：mIoU 和 mAcc

• mIoU：mean Intersection-Over-Union
• mAcc：mean Accuracy
  
  其中 50（天空） 54（树） 7（车） 46（地面）为分割结果（分割类别）
  Accuracy：两个结果相比，一致的 + 1，然后除以总长度
  
  为什么要用mIoU？
  mAcc是蛮高的，因为大部分的天空、森林、土地都是很准的，准确率很高
  但是忽略了很重要的一类，例如汽车也是很重要的，算法希望能够把更精细的物体分割出来。所以IoU也是很重要的。
  mean：一取mean，车的比重就会变大。