圖論分割與全景分割
傳統圖分割算法相關工作
預計在2.10(春節假期結束爲止)完成相關工作,儘可能提前完成工作
工作目標:(春節假期結束前完成 (20天左右))
-
明確問題的定義
-
明確圖分割算法的評價標準(1天)
- 理解總結各個算法的核心思想 (15天)
- 總結算法中存在的問題以及思考改進措施 (與上一步同步進行)
- 挑選比較好的算法(多個)進行復現 (5天)
全景分割相關工作
工作目標:
- 閱讀論文,瞭解目前的算法主體流程以及核心思想 (1周)
- 挑選合適的數據集,明確評價指標
- 復現一部分算法以及核心的框架or自己搭建合理的框架
- 對網絡結構進行優化,使用深度學習方法以及加入合適的傳統方法,創新
傳統圖分割算法
- 概述
- 把圖像分割問題與圖的最小割(mincut)問題相關聯。
- 將圖像映射爲帶權無向圖G=<V,E>
- 圖中每個節點N∈V對應於圖像中的每個像素,每條邊∈E連接着一對相鄰的像素
- 邊的權值表示了相鄰像素之間在灰度、顏色或紋理方面的非負相似度。
- 圖像的一個分割s就是對圖的一個剪切,被分割的每個區域C∈S對應着圖中的一個子圖。
- 分割的最優原則就是使劃分後的
- 子圖在內部保持相似度最大
- 子圖之間的相似度保持最小
- 基於圖論的分割方法的本質就是移除特定的邊,將圖劃分爲若干子圖從而實現分割。
- 現有算法
- GraphCut
- GrabCut
- RandomWalk
- Entropy Rate Superpixel Segmentation
- Superpixels
- Graph-based segmentation
- Ncut
- Turbopixel
- Quick-shift
- GCa10 and GCb10
- SLIC
- 最小生成樹等
- 基本步驟
- 轉化問題
- 建立分割準則
- 通過特定算法求解
全景分割(Panoptic Segmentation)
幾個概念:超像素、語義分割、實例分割、全景分割
-
數據集
-
現在僅有的三個同時包括語義分割和實例分割標註的數據集:
-
Cityscapes
5000 張圖片,2975 張 train,500 張 validation, 1525 張 test.
自動駕駛場景;像素級標註,19 類語義分割,其中 8 類實例級分割.
-
ADE20k
25k 張圖片,20k 張 train, 2k val,3k test.
像素級分割,100 類 thing,50 類 stuff.
-
Mapillary Vistas
25k 張街景圖片, 18k 張 train,2k 張 val,5k 張 test.
-
COCO 2018 Panoptic Segmentation
-
-
-
評價標準: Panoptic Quality(PQ).
-
分割質量(SQ)
對象的平均IoU
-
檢測質量(DQ)
F1 score,precision和recall的調和平均 -
PQ
-