计算机视觉-图像分割

一、概述

1. 图像识别与图像分类什么关系？

分类是将一个图像分成几类，识别是指出位置。

2. 人脸识别

分为人脸验证（1:1）和人脸辨识（1:n）。
人脸识别又分为两个部分：face verification（人脸验证） 和 face identification（人脸辨识）。

• face verification是1对1，判断两个人脸是否是同一人， 验证现在待检测的你是不是你自己，如现在火车站的刷 人脸自助进站，就是身份证上的图片和你进站时摄像头 拍的图片进行对比，验证是否是同一人。
• face identification是1对n，从人脸库中找到给定的人脸 的对应身份信息。或者理解成检测你是不是某个黑名单 中的要管制的对象，例如*系统的黑名单对比，或者 人脸识别考勤，就是确认你是不是数据库中的某个对象。

实际使用人脸识别支付的时候，先根据GPS等进行筛选一下，实际上1:n中n是在万级别的，而不是亿级别。

1. 一般的算法步骤：
   • – 人脸检测（Face Detection）
   • – 人脸对齐（Face Alignment）
   • – 特征提取（Feature Representation）
   • – 特征匹配（Feature Match）
2. 当前的人脸识别算法
   粘贴老师的PPT。
   

3. 图像分割

• 解决“每一个像素属于哪个目标或场景”的问题。
• 分割的目标就是简化或变换，将图像转换为更有意 义和更易分析的内容的表达。
• 图像分割为图像中的每一个像素打上标签，具有相 同标签的像素属于同一物体，用来定位图像中目标 和边界（线、曲面）的位置。

二、正文

1. 图像分割的难点

• 图像分割是中层视觉中最基本的问题，也是计 算视觉和图像理解中的最基本问题之一。它还 是该领域国际学术界公认的将会长期存在的最 困难的问题之一。
• 图像分割之所以困难的一个重要原因是其并不 完全属于图象特征提取问题，它还涉及到各种 图像特征的知觉组织。
  

2. 图像分割算法

图片是给我们讲课的优秀的老师

3. 深度学习分割算法

4. FCN：第一个应用到分割的深度学习算法

• 为了防止丢弃空间信息，就拿掉了全连接层
• 网络如下：下面老师画的图指的是上采样的过程中重拾了下采样的网络。
  

5. UNet

• 在每一层增加了一次卷积操作。
• 在FCN中因为是直接的add，所以这个网络做了一个拼接。(引申出论文发起来很容易)
  

上采样的时候需要下采样的信息，所以网络结果改进的方式很多，比如从下采样中来，又可以从下采样中来。

unet中需要用到的数据挺少的，效果又很好。
这是因为，虽然几十张图片，但是要切割成好几千图片，然后再进行的训练。

6. SegNet

• 就是在下采样的时候将丢掉的位置信息记录了下来。

比如0.8就是在第二排第一个。

7. ENet

• 相当于UNet的快速版本。一个工程性的文章，让这个网络更快，让这个网络可以在轻量的设备上用。
• 这篇文章给其他的网络也有参考价值哟。

8. Mask R-CNN

• 号称在分割中效果更好的（之后也有人说）

9. PSPNet

• 在上采样的时候加入了新的模块。
• 速度很慢。

10. 水论文哟

• RefineNet
• G-FRNet
  • 就是加了一个门控单元，也就是权重而已。
    

11 DeepLab：占顶会的不要脸网络

以下内容来自老师，不知道叫什么

其他