Question

图像分割

Answer 1

图像分割是一种将图像分成若干个特定区域，并提取出感兴趣目标的技术和过程。这些区域具有独特的性质，可以从图像处理到图像分析的过程中进行进一步的分析和处理。图像分割是图像处理中的关键步骤，可以将数字图像划分成互不相交的区域，同时标记出属于同一区域的像素。

现有的图像分割方法有很多种，主要包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。这个过程也可以被看作是一个标记过程，即把属于同一区域的像素赋予相同的编号。

数据标注在图像分割中具有至关重要的作用。数据标注是指对图像中的每个像素进行标签标注，以用于图像分割任务。这对于训练机器学习模型以及实现自动化图像分割都是至关重要的。

标注数据可以帮助模型了解图像中的不同部分，以及它们与周围环境的相互作用。通过标注数据，模型可以学习到区分不同物体、纹理和背景的特性，从而在未知图像中准确地进行分割。

此外，高质量的标注数据还可以纠正模型的错误，并提高模型的泛化能力。通过对比不同模型的表现，可以选择出最优的模型进行进一步优化。

然而，数据标注也是一个耗时且成本高昂的过程。为了降低标注成本并提高效率，研究者们正在开发高效的数据标注工具和自动化标注技术，以提高图像分割的准确性和效率。

Answer 2

一、图像分割任务介绍

定义： 通过对 像素点分类 ， 把图像分成若干个具有独特性质的区域 并 提取感兴趣目标 的技术，是图像处理到图像分析的主要步骤。

难点：

*标准难度大，成本高，数据量少

*显存和算力要求高

*边缘部分区分难度大

二、图像分割解决方案之深度学习方法

图像分类到语义分割 ：FCN

U-Net （轻量级模型，参数少，计算快）、

DeepLab （PASCAL VOC SOTA效果，支持多种Backbone特征提取）、

ICNet （实时轻量化语义分割，适用于高性能预测场景）

实例分割、全景分割

三、评级指标

准确率、召回率 、IOU

Kappa系数 ：用于 一致性检验 / 衡量分类精度 ，计算基于混淆矩阵。

四、一个好的分割网络需要考虑的点

上采样： 反卷积

底层特征融合： 跳跃连接（ 以一定比例引入底层特征 ，增加其决策权，可加可乘）

感受野： 空洞卷积（增大卷积核的“可触达”区域 增加感受野 ）

多尺度： ASPP（把 不同尺度目标 交给 不同感受野的卷积层 来解决，大感受野解决大目标，小感受野解决小目标）

算力及显存： Depthwise卷积（对 卷积层分组 ，减少计算压力）

 

五、丰富的数据扩充

旋转、Crop、颜色空间扰动、模糊比例控制