# 语义分割

**Repository Path**: lhwcode/semantic-segmentation

## Basic Information

- **Project Name**: 语义分割
- **Description**: 机器学习课程设计语义分割小组仓库
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2023-12-02
- **Last Updated**: 2023-12-02

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

##### 语义分割小组

- FCN 
- UNet
- DeepLabV3+
- Dilated Convolution
- PSPNet
- RefineNet
- Segnet

​		语义分割是计算机视觉中的基本任务，图像语义分割任务是对图像进行像素级分类，将每个像素点的类别识别出来达到对图像分割的效果。在语义分割中我们需要将视觉输入分为不同的语义可解释类别，即分类类别在真实世界中是有意义的。而与图像分类或目标检测相比，语义分割使我们对图像有更加细致的了解。这种了解在诸如自动驾驶、机器人以及图像搜索引擎等许多领域都是非常重要的。

​		语义分割在任务中将使用深度学习方法实现，对深度学习的原理和改进方法的理解至关重要，需要研读相关论文，动手实践才能实现对深度学习解决语义分割的基本方法领悟透彻。查找相关资料，获取网络公开的资源数据都锻炼着实践能力，理解算法原理，手工搭建实现步骤提高我们的实验思想。

​		使用传统机器学习方法如N-Cut和SVM等实现图像语义与使用深度学习算法速度过慢，准确率也不高，例如像聚类这样的无监督方法虽然可以用于分割，但其结果不一定是有语义的。这些方法无法对它们训练的类进行细分，但是在搜索区域界限方面更加擅长。

​		深度学习的发展为语义分割带来了新的思路和优化，可以实现更短时间内完成更高准确率的分类任务。我们搭建实现从深度学习实现语义分割的第一个算法及今年来研究出的改进算法，使用相同数据集进行训练，对比算法之间的优劣，得到算法思想之间的不同所带来的差异。