- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技评论
DRN - 扩张残留网络（图像分类和语义分割）
2016年ICML发布了用于语义分割的DilatedNet后，作者提出了DRN，不仅可以提高语义分割效果，还可以提高图像分类效果，而不增加模型的深度和复杂度。文章发表于2017年，被引用超过100次。 定位 对于图像分类任务，最后是一个全局平均池化，然后是1×1卷积层和softmax层。 要将模型用于定位，只需删除平均池化。不涉及任何训练或参数调优。准确的分类DRN可以直接用于定位。 5. ImageNet图像分类 ImageNet验证集的Top-1和Top-5错误率 DRN-A-18和DRN-A-34的1-crop top-1准确率分别比ResNet-18和ResNet-34高2.43 在ImageNet的验证集上的分类错误率和模型参数的个数 在ImageNet的验证集上的分类错误率和模型参数的个数 所有的DRN都可以在参数较少(模型较小)的情况下获得较低的错误率。 提高了图像分类精度，最终DRN性能优于最先进的ResNet。
1.8K20发布于 2019-08-21 - 来自专栏AI研习社
在玩图像分类和图像分割？来挑战基于 TensorFlow 的图像注解生成！
玩过图像分类的开发者不少，许多人或许对图像分割（image segmentation）也不陌生，但图像注解（image caption）的难度，无疑比前两者更进一步。 注解生成——作为图像分类的延伸 作为一个历史悠久的 CV 任务，图像分类背后有许多强大模型。图像分类能把图像中相关联的形状、物体的视觉信息拼凑到一起，把图像放入物体类别中。 针对其他 CV 任务的机器学习模型，建立在图像分类的基础之上，比如物体识别和图像分割。它们不仅能对提供的信息进行识别，还能学习如何解读 2D 空间，调和两种理解，并决定图像中物体信息的位置分布。 在我们的例子中，VGG-16 图像分类模型导入 224x224 分辨率的图像，生成对分类图像非常有用的 4,096 维特征矢量。 它用 MS COCO 数据集和 Inception-v3 图像嵌入训练。
1.3K40发布于 2018-03-28 - 来自专栏AI科技评论
开发 | 在玩图像分类和图像分割？来挑战基于 TensorFlow 的图像注解生成！
玩过图像分类的开发者不少，许多人或许对图像分割（image segmentation）也不陌生，但图像注解（image caption）的难度，无疑比前两者更进一步。 注解生成——作为图像分类的延伸 作为一个历史悠久的 CV 任务，图像分类背后有许多强大模型。图像分类能把图像中相关联的形状、物体的视觉信息拼凑到一起，把图像放入物体类别中。 针对其他 CV 任务的机器学习模型，建立在图像分类的基础之上，比如物体识别和图像分割。它们不仅能对提供的信息进行识别，还能学习如何解读 2D 空间，调和两种理解，并决定图像中物体信息的位置分布。 在我们的例子中，VGG-16 图像分类模型导入 224x224 分辨率的图像，生成对分类图像非常有用的 4,096 维特征矢量。 它用 MS COCO 数据集和 Inception-v3 图像嵌入训练。
1.2K60发布于 2018-03-12 《数字图像处理》第 10 章 - 图像分割
本文将按照《数字图像处理》第 10 章的结构，从基础理论到具体实现，结合可直接运行的 Python 代码和效果对比图，带你彻底搞懂图像分割 10.1 基础理论 10.1.1 核心定义 图像分割是将数字图像划分为互不重叠的像素子集 ,Rn，满足： 1.整个图像区域（全覆盖）； 10.1.3 分割方法分类 10.2 点、线与边缘检测 10.2.1 背景知识 点、线、边缘是图像中最基础的灰度突变特征： 孤立点：局部区域内灰度值与周围像素差异极大的单个像素 10.3.1 理论基础 10.3.2 基础全局阈值分割 全局阈值：整幅图像使用同一个阈值，适用于前景和背景灰度分布差异明显的图像。 ，本文从基础到进阶，结合完整 Python 代码和效果对比图，讲解了图像分割的主要方法： 点线边缘检测：从孤立点、线到边缘，是分割的基础，Canny 算子是工业级标准； 阈值分割：最简单高效的分割方法， 实际应用中，需根据图像特点选择合适的分割方法，或结合多种方法（如边缘检测 + 阈值分割）提升效果 总结 核心方法分类：图像分割可分为基于灰度特征（点线边缘、阈值）、基于区域、基于形态学、基于运动信息四大类
18710编辑于 2026-01-21- 来自专栏机器学习AI算法工程
图像分类、检测，语义分割等方法梳理
本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。 ? MNIST 60k训练图像、10k测试图像、10个类别、图像大小1×28×28、内容是0-9手写数字。CIFAR-10 50k训练图像、10k测试图像、10个类别、图像大小3×32×32。 一个分支用于做图像分类，即全连接+softmax判断目标类别，和单纯图像分类区别在于这里还另外需要一个“背景”类。 有83k训练图像，41k验证图像，80k测试图像，80个类别。 (2) 语义分割基本思路 基本思路 逐像素进行图像分类。 Mask R-CNN 用FPN进行目标检测，并通过添加额外分支进行语义分割(额外分割分支和原检测分支不共享参数)，即Master R-CNN有三个输出分支(分类、坐标回归、和分割)。
87610发布于 2019-10-28 《数字图像处理实战》第 10 章-图像分割
从应用角度来说，图像分割是目标检测、图像识别、图像理解等高级视觉任务的基础 —— 比如医学影像中肿瘤区域的分割、自动驾驶中道路和车辆的分割、工业质检中缺陷区域的分割，都离不开这一技术。 本章将系统讲解图像分割的核心方法，从基础的边缘检测、阈值处理，到区域生长、聚类分割，再到图割、分水岭等进阶算法，每个知识点都配套可直接运行的 Python 代码和效果对比，帮你彻底吃透图像分割的原理与实战 学习目标 理解图像分割的基本概念和核心思想； 掌握点、线、边缘检测的经典算法及实现； 熟练运用阈值处理（全局、Otsu、多阈值等）进行分割； 理解并实现区域生长、分离聚合、聚类、超像素分割； 掌握图割、 10.3 阈值处理 10.3.1 基础知识 阈值处理是最经典的分割方法，核心是根据灰度值将像素分为两类（前景 / 背景）： 阈值处理的分类： 全局阈值：整幅图像使用同一个阈值； 局部 / 可变阈值：不同区域使用不同阈值 （部分区域过亮 / 过暗）； 局部阈值能自适应不同区域的光照，分割效果更均匀； 高斯法比均值法更抗噪声，邻域大小（15）和常数（5）可根据图像调整。
29910编辑于 2026-01-21- 来自专栏新智元
【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理
作者：张皓 【新智元导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割。 本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。 ? MNIST 60k训练图像、10k测试图像、10个类别、图像大小1×28×28、内容是0-9手写数字。 CIFAR-10 50k训练图像、10k测试图像、10个类别、图像大小3×32×32。 有83k训练图像，41k验证图像，80k测试图像，80个类别。 (2) 语义分割基本思路 基本思路 逐像素进行图像分类。 Mask R-CNN 用FPN进行目标检测，并通过添加额外分支进行语义分割(额外分割分支和原检测分支不共享参数)，即Master R-CNN有三个输出分支(分类、坐标回归、和分割)。
2.6K61发布于 2018-03-20 - 来自专栏PPV课数据科学社区
【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理
【导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割。 本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。 MNIST 60k训练图像、10k测试图像、10个类别、图像大小1×28×28、内容是0-9手写数字。 CIFAR-10 50k训练图像、10k测试图像、10个类别、图像大小3×32×32。 有83k训练图像，41k验证图像，80k测试图像，80个类别。 (2) 语义分割基本思路 基本思路 逐像素进行图像分类。 Mask R-CNN 用FPN进行目标检测，并通过添加额外分支进行语义分割(额外分割分支和原检测分支不共享参数)，即Master R-CNN有三个输出分支(分类、坐标回归、和分割)。
1.6K80发布于 2018-04-24 - 来自专栏机器学习AI算法工程
如何用TensorFlow和TF-Slim实现图像标注、分类与分割
笔者将和大家分享一个结合了TensorFlow和slim库的小应用，来实现图像分类、图像标注以及图像分割的任务，围绕着slim展开，包括其理论知识和应用场景。 CUDA_VISIBLE_DEVICES"] = '0' sys.path.append("/home/dpakhom1/workspace/models/slim") 接着，下载VGG-16模型，我们将用它来对图像做分类和分割 在本文中，我们就用这个预训练的模型来给图片分类、标注和分割，映射到这1000个类别。 下面是一个图像分类的例子。图像首先要做预处理，经过缩放和裁剪，输入的图像尺寸与训练集的图片尺寸相同。 所以，当网络只能观察到校车的一部分图片时，与出租车和皮卡车混淆了。 正如我们在上面所看到的，我们得到了图片的一个简单分割结果。它不算很精确，因为最初训练网络是用来进实现分类任务，而不是图像分割。 这样，我们给分类和分割的结果增加了空间信息。 小结 本文介绍了用slim库实现图像的分类和分割，并且简要阐述了技术原理。
1.6K40发布于 2018-03-15 - 来自专栏书山有路勤为径
特征类型和图像分割
形态学操作—膨胀与腐蚀 图像分割（Image Segmentation） 熟悉了一些简单的特征类型，如何通过使用这些特征将图像的不同部分组合在一起。 将图像分组或分割成不同的部分称为图像分割。 图像分割的最简单情况是背景减法。在视频和其他应用中，通常情况是人必须与静态或移动背景隔离，因此我们必须使用分割方法来区分这些区域。 图像分割还用于各种复杂的识别任务，例如在对道路图像中的每个像素进行分类时。 而要进行图像分割，要的只是那些完整的闭合边界，因为这类边界能切实标识出特定的图像区域和物体，图像描廓就可以实现这一点。 ? ，请选择要包含的图像的正确宽度和高度。
1.4K30发布于 2018-08-29 - 来自专栏深度学习与数据挖掘实战
【今日热门&优质资源】TensorFlow和TF-Slim实现图像分类与分割
【如何用TensorFlow和TF-Slim实现图像分类与分割】 链接：http://warmspringwinds.github.io/tensorflow/tf-slim/2016/10/30/image-classification-and-segmentation-using-tensorflow-and-tf-slim
53830发布于 2018-11-21 - 来自专栏有三AI
【图像分割应用】医学图像分割（三）——肿瘤分割
这是专栏《图像分割应用》的第3篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。 肿瘤的分割是医学图像分析领域的一个重要内容，相比较前面提到过的脑区域分割和心脏分割，肿瘤分割任务由于个体间形状、纹理等差异大，从而实现更加困难。本文就来分析一下，肿瘤分割任务。 (1) 基于阈值的分割方法 基于阈值的分割方法是图像分割中最简单、高效的方法，也是最基础的方法之一。这种方法通过对图像内设置全局或局部阈值，实现灰度图像的二值化，从而实现前背景分割，即目标区域分割。 我们常见的分割结构（如编解码结构）就可以理解为：首先学习一个特征映射函数，将原始图像映射到高维特征空间；随后学习一个度量函数，用来增加不同类别像素点之间的距离并对相同类别的像素点聚类；最后，通过损失函数指导应设函数和度量的权重更新 下期我们对医学图像分割问题做一个总结，之后开启《图像分割应用》专栏 的第二部分。
4.4K32发布于 2019-07-23 - 来自专栏有三AI
【图像分割应用】医学图像分割（二）——心脏分割
这是专栏《图像分割应用》的第2篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。 相比较脑区域分割，医学图像中的心脏分割问题要更复杂，因为心脏是一个不停运作的器官，其形状也会在运动过程中发生变化。本文我们就来看看医学图像分割之心脏分割。 以右心室为例，其存在的难点有： 在腔内存在与心肌相似的信号强度 右心室新月形形状复杂，从基部到顶点一直变化 分割顶点图像的切片十分困难 患者的心室内形态和信号强度差异大，且可能有病理改变 简单来讲，左心室是一个厚壁的圆柱形区域 数据库的困难 对基于深度学习的医学图像分割方法而言，数据库的获取是最主要的困难。 总结 本文简要介绍了医学图像分割应用领域内的心脏分割，包括心室分割和全心脏分割。在进行任务分析和难点解读后，给出了几个应用范例。下期我们一起来看一下医学领域分割的最后一个子方向：肿瘤分割。
4.2K30发布于 2019-07-23 - 来自专栏有三AI
【图像分割应用】医学图像分割（一）——脑区域分割
与日常生活中常见场景的分割任务不同，医学图像（如MRI图像）由于图像获取设备的影响，会出现对比度低、信噪比低、光强低等问题；且器官本身存在运动和形变（如心脏），个体之间也有差异。 这些因素导致了医学图像分割的难度和其自身的算法设计特点。 ? 大脑区域及形状个体差异示意图 下面我们以脑区域分割为例，讨论一下该任务的难点，并通过一个应用实例来进一步理解医学图像中的脑区域分割问题。 显然，扫描时间越长（空间分辨率越高）对分割效果的帮助越大，但是这种操作需要考虑到病人暴露在放射下的时间和对病人的影响。 3. 最开始，通过迭代更新成员函数和聚类中心实现目标函数最小化的Fuzzy C-Means（FCM）算法表现不错，对于医疗图像中的噪声图像也可以顺利应对。 脑组织提取结果 从模型角度来看，给定脑部切片，可以通过将FCM与马尔科夫随机场（MRF）结合的方法提升分割精度。其中，FCM善于分析和利用图像中的亮度信息，而MRF则可以建模图像中的空间和上下文关系。
3.9K21发布于 2019-07-28 - 来自专栏机器学习、深度学习
图像分割
我们首先使用VGG-16卷积提取卷积特征，对一个采样的像素点，从多个卷积特征图上提取对应的特征，建立 hypercolumn descriptor，然后将该特征输入到一个MLP多层感知器，最后输入分类结果 我们发现从训练图像中采样很少的像素就可以得到很好的结果。 ?
1K50发布于 2019-05-26 - 来自专栏机器学习AI算法工程
keras实战项目——CIFAR-10 图像分类
Cropping2D 这里 Cropping2D 就比较好理解了，就是特地选取输入图像的某一个固定的小部分。 图中如果是一个 4x4 的输入矩阵，则这个 4x4 的矩阵，会被分割成由两行、两列组成的 2x2 子矩阵，然后每个 2x2 子矩阵取一个最大值作为代表，由此得到一个两行、两列的结果： ? 如果是进行百万张图片的分类，每个图片都有数以百万计的特征，我们将拿到一个 百万样本 x 百万特征 的巨型矩阵。传统的机器学习方法拿到这个矩阵时，受限于计算机内存大小的限制，通常是无从下手的。 next(generator) 即可一次返回 32 张图像以及对应的标注信息。 实战项目——CIFAR-10 图像分类 最后我们用一个keras 中的示例， 本文源码地址： 关注微信公众号datayx 然后回复“图像分类”即可获取。 首先做一些前期准备： ?
92110发布于 2019-10-28 - 来自专栏有三AI
【图像分割应用】医学图像分割小总结
本专栏的第一个板块医学图像分割中从具体应用出发，介绍了脑分割、心脏分割和肿瘤分割三个问题，本文就总结一下现阶段医学图像分割中该知道的内容。 本文我们就一起来看一下医学图像分割中的难点、基本概念和state-of-the-art方法，并给出参考的方法和代码。 ? 为了实现相对准确的分割，其中一个重要操作是背景体元移除，并结合空间信息实现脑部分割。完成脑部分割以后，就可以对分割出来的图像做进一步的分割和分析操作，从而判断病灶并提出解决方案。 ? 此领域比较常用的图像类型为CT图像和MRI图像（核磁共振图像），并在此基础上分割左心室、识别心脏钙化程度。 ? 》专栏的第一板块：医学图像分割，并给出了可供参考的方法和未来的研究方向。
2.8K31发布于 2019-07-23 - 来自专栏机器学习算法与Python学习
详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割
比如输入一个大小为 100*100 的图像，你也不需要一个有 10,000 个节点的网络层。相反，你只需要创建一个大小为 10 *10 的扫描输入层，扫描图像的前 10*10 个像素。 识别图像中的对象这一任务，通常会涉及到为各个对象输出边界框和标签。这不同于分类/定位任务——对很多对象进行分类和定位，而不仅仅是对个主体对象进行分类和定位。 ▌4、语义分割 ? 计算机视觉的核心是分割，它将整个图像分成一个个像素组，然后对其进行标记和分类。特别地，语义分割试图在语义上理解图像中每个像素的角色（比如，识别它是汽车、摩托车还是其他的类别）。 这种方法允许针对任何尺寸的图像生成分割映射，并且比块分类算法快得多，几乎后续所有的语义分割算法都采用了这种范式。 ? 但是，这也仍然存在一个问题：在原始图像分辨率上进行卷积运算非常昂贵。 除了语义分割之外，实例分割将不同类型的实例进行分类，比如用 5 种不同颜色来标记 5 辆汽车。分类任务通常来说就是识别出包含单个对象的图像是什么，但在分割实例时，我们需要执行更复杂的任务。
2.2K22发布于 2019-07-04 - 来自专栏AI科技大本营的专栏
详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割
比如输入一个大小为 100*100 的图像，你也不需要一个有 10,000 个节点的网络层。相反，你只需要创建一个大小为 10 *10 的扫描输入层，扫描图像的前 10*10 个像素。 ▌2 、对象检测 识别图像中的对象这一任务，通常会涉及到为各个对象输出边界框和标签。这不同于分类/定位任务——对很多对象进行分类和定位，而不仅仅是对个主体对象进行分类和定位。 ▌4、语义分割 计算机视觉的核心是分割，它将整个图像分成一个个像素组，然后对其进行标记和分类。特别地，语义分割试图在语义上理解图像中每个像素的角色（比如，识别它是汽车、摩托车还是其他的类别）。 这种方法允许针对任何尺寸的图像生成分割映射，并且比块分类算法快得多，几乎后续所有的语义分割算法都采用了这种范式。 但是，这也仍然存在一个问题：在原始图像分辨率上进行卷积运算非常昂贵。 分类任务通常来说就是识别出包含单个对象的图像是什么，但在分割实例时，我们需要执行更复杂的任务。
13.6K73发布于 2018-04-26 - 来自专栏全栈程序员必看
图像分割的评价指标_图像实例分割
大家好，又见面了，我是你们的朋友全栈 图像分割可分为：语义分割，实例分割，全景分割 1、语义分割（semantic segmentation）：标注方法通常是给每个像素加上标签；常用来识别天空、草地 3、全景分割（Panoptic Segmentation）：结合前面两者，生成统一的、全局的分割图像，既识别事物，也识别物体。 图像分割评价指标： 1、IoU: 交并比，两个区域重叠的部分除以两个区域的集合部分， IOU算出的值score ＞ 0.5 就可以被认为一个不错的结果了 2、mIoU（mean IoU）：均交并比，识别或者分割图像一般都有好几个类别 ，把每个分类得出的分数进行平均一下就可以得到mean IoU，也就是mIoU。 p和GroundTruth g的交并比, TP是指IoU>0.5的分割结果，FP (False Positives)，和FN (False Negatives)如下图所示： 评价分割系统的标准：执行时间
3.2K31编辑于 2022-09-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号