当前位置: 首页 > >

图论分割与全景分割

发布时间:

图论分割与全景分割

传统图分割算法相关工作

预计在2.10(春节假期结束为止)完成相关工作,尽可能提前完成工作


工作目标:(春节假期结束前完成 (20天左右))


明确问题的定义

明确图分割算法的评价标准(1天)


理解总结各个算法的核心思想 (15天)总结算法中存在的问题以及思考改进措施 (与上一步同步进行)挑选比较好的算法(多个)进行复现 (5天)
全景分割相关工作

工作目标:


阅读论文,了解目前的算法主体流程以及核心思想 (1周)挑选合适的数据集,明确评价指标复现一部分算法以及核心的框架or自己搭建合理的框架对网络结构进行优化,使用深度学*方法以及加入合适的传统方法,创新

传统图分割算法
    概述
    把图像分割问题与图的最小割(mincut)问题相关联。将图像映射为带权无向图G=图中每个节点N∈V对应于图像中的每个像素,每条边∈E连接着一对相邻的像素边的权值表示了相邻像素之间在灰度、颜色或纹理方面的非负相似度。图像的一个分割s就是对图的一个剪切,被分割的每个区域C∈S对应着图中的一个子图。分割的最优原则就是使划分后的
    子图在内部保持相似度最大子图之间的相似度保持最小 基于图论的分割方法的本质就是移除特定的边,将图划分为若干子图从而实现分割。 现有算法
    GraphCutGrabCutRandomWalkEntropy Rate Superpixel SegmentationSuperpixels
    Graph-based segmentationNcutTurbopixelQuick-shiftGCa10 and GCb10SLIC 最小生成树等 基本步骤
    转化问题建立分割准则通过特定算法求解

全景分割(Panoptic Segmentation

几个概念:超像素、语义分割、实例分割、全景分割


    数据集


    现在仅有的三个同时包括语义分割和实例分割标注的数据集:


    Cityscapes

    5000 张图片,2975 张 train,500 张 validation, 1525 张 test.

    自动驾驶场景;像素级标注,19 类语义分割,其中 8 类实例级分割.

    ADE20k

    25k 张图片,20k 张 train, 2k val,3k test.

    像素级分割,100 类 thing,50 类 stuff.

    Mapillary Vistas

    25k 张街景图片, 18k 张 train,2k 张 val,5k 张 test.

    COCO 2018 Panoptic Segmentation

    评价标准: Panoptic Quality(PQ).


    分割质量(SQ)





    S


    Q


    =









    (


    p


    ,


    g


    )






    T


    P





    I


    o


    U


    (


    p


    ,


    g


    )




    ?


    T


    P


    ?





    SQ=frac{sum_{(p,g)in{TP}}IoU(p,g)}{|TP|}


    SQ=?TP?∑(p,g)∈TP?IoU(p,g)?

    对象的*均IoU

    检测质量(DQ)





    D


    Q


    =




    ?


    T


    P


    ?




    ?


    T


    P


    ?


    +



    1


    2



    ?


    F


    P


    ?


    +



    1


    2



    ?


    F


    N


    ?





    DQ=frac{|TP|}{|TP|+frac{1}{2}|FP|+frac{1}{2}|FN|}


    DQ=?TP?+21??FP?+21??FN??TP??
    F1 score,precision和recall的调和*均

    PQ





    P


    Q


    =


    S


    Q


    ?


    D


    Q



    PQ=SQ*DQ


    PQ=SQ?DQ



友情链接: