语义分割
你需要知道三件事
语义分割与目标检测有何不同？
语义分割可以是一个有用的替代目标检测，因为它允许感兴趣的目标在像素级跨越图像中的多个区域。这种技术可以清晰地检测出形状不规则的物体，这与目标检测不同，目标检测必须适合于一个边界框(图2)。
图2：对象检测，显示用于识别对象的边界框。
如何使用语义分割?
因为语义分割标记图像中的像素，它比其他形式的目标检测更精确。这使得语义分割在各种需要精确图像地图的行业中的应用非常有用，例如:
- 自主驾驶-用于通过将道路与障碍物（如行人、人行道、电线杆和其他车辆）隔开来识别汽车的可行驶路径
- 工业检验-用于检测材料中的缺陷，如晶圆检查
- 卫星图像-用于识别山脉、河流、沙漠和其他地形
- 医学影像——用于分析和检测细胞中的癌变异常
- 机器人视觉-用于识别和导航物体和地形
图3：多光谱卫星图像的语义分割。
例如:自动驾驶应用
图4中的序列显示了用于自动驾驶的语义分割的真实示例。道路图像会自动从其他车辆中分割出来。下一节将展示如何创建这些网络。
图4：自动驾驶应用程序的语义分割。
理解架构
一种常见的语义分割方法是创建一个SegNet，它基于卷积神经网络(CNN)体系结构。一个典型的CNN架构如图5所示。
CNN将整个图像分类为许多预定义的类别之一。
图5:CNN的典型结构。
要在像素级别而不是整个图像进行分类，可以附加CNN的反向实现。执行上采样处理的次数与下采样处理的次数相同，以确保最终图像与输入图像的大小相同。最后，使用像素分类输出层，将每个像素映射到特定的类别。这形成了一个编码器-解码器体系结构，它支持语义分割。
图6:CNN在每一层执行图像相关功能，然后使用池层（绿色）对图像进行下采样。该过程在网络的前半部分重复数次。此图前半部分的输出后面是等量的未冷却层（橙色）。
步骤1：标记数据或获取标记数据。
深度学习模型建立在大量数据的基础上，语义分割也不例外。一种选择是在互联网上找到有标签的数据。如果你有自己的数据集，你可以使用MATLAB中的Image Labeler应用程序。你可以使用这个数据集来训练一个赛格网。
图7:MATLAB Image Labeler应用程序，用于标记用于语义分割的图像。
了解更多
步骤2：为原始图像和标记图像创建数据存储。
当处理大量数据时，通常不可能将所有信息加载到内存中。要管理大型数据集，可以使用数据存储。数据存储包含您想要访问的文件的位置，它只允许您在需要对文件进行操作时将它们读入内存。
要创建SegNet，您需要两个数据存储：
- ImageDatastore，其中包含原始图像
- 像素标签数据库，其中包含标记的图像
步骤3：对数据存储进行分区。
创建SegNet时，必须将数据存储划分为两部分：
- 用于训练SegNet的训练集
- 用于评估网络准确性的测试集
图8:公路场景显示彩色图像(左)和相应的标记像素(右)。
步骤4：导入CNN并将其修改为SegNet。
加载一个预先训练过的网络，如VGG16，并使用SegNetLayers命令，创建像素级标记所需的编码器-解码器体系结构。
图9:用一行代码在MATLAB中创建SegNet架构。
第5步：培训和评估网络。
在最后一步中，为网络设置超参数并训练网络。
如何进一步了解语义分割
视频
- 语义分割概述(7:56)
- 解密深度学习:语义分割和部署(47:09)-网络研讨会
- 基于深度学习的脑肿瘤三维图像分割(14)
示例和如何
- 语义分割与部署-网络研讨会
- 基于深度学习的多光谱图像语义分割–示例
