【PyTorch】图像分割

图像分割是什么

Image Segmentation
将图像每一个像素分类

图像分割分类

1. 超像素分割：少量超像素代替大量像素，常用于图像预处理
2. 语义分割：逐像素分类，无法区分个体
3. 实例分割：对个体目标进行分割
4. 全景分割：语义分割结合实例分割
   

本文讨论的是语义分割

模型如何完成图像分割

计算机：3-d张量 → 计算机：3-d张量
图像分割由模型与人类配合完成
模型：将数据映射到特征
人类：定义特征的物理意义，解决实际问题

PyTorch-Hub

PyTorch模型库，有大量模型供开发者调用 Link

1.torch.hub.load(‘pytorch/vision’, ‘deeplabv3_resnet101’,pretrained=True)

model=torch.hub.load(github, model, *args, **kwargs)
功能：加载模型
主要参数：
- github：str, 项目名，eg：pytorch/vision，<repo_owner/repo_name[:tag_name]>
- model: str, 模型名

2.torch.hub.list(github, force_reload=False)
3.torch.hub.help(github, model, force_reload=False)

深度学习中的图像分割模型

FCN

Fully Convolutional Networks for Semantic Segmentation

最主要贡献：
利用全卷积完成pixelwise prediction

U-Net

U-Net: Convolutional Networks for Biomedical Image Segmentation

DeepLab系列

V1

Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

主要特点：

1. 孔洞卷积：借助孔洞卷积，增大感受野
2. CRF：采用CRF进行mask后处理

V2

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

主要特点：

1. ASPP（Atrous Spatial Pyramid Pooling）：解决多尺度问题

V3

Rethinking Atrous Convolution for Semantic Image Segmentation

主要特点：

1. 孔洞卷积的串行
2. ASPP的并行

V3+

Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation


主要特点：
deeplabv3基础上机上Encoder-Decoder思想

综述

Deep Semantic Segmentation of Natural and Medical Images: A Review

图像分割资源：
https://github.com/shawnbit/unet-family
https://github.com/yassouali/pytorch-segmentation

Unet实现人像抠图 (Portrait Matting)

数据来源：https://github.com/PetroWu/AutoPortraitMatting

未完待续……