醋醋百科网

图像分割技术在医疗病灶分析、自动驾驶车道线分割、绿幕人像抠图等领域发挥着举足轻重的作用。相比目标检测、图像分类等技术，图像分割需要将每个像素点进行分类，在精细的图像识别任务中不可替代。

准备写一些关于自动驾驶方面的东西，以前研究过一些，也比较感兴趣。

本文简单讲解如何使用深度学习语义分割估计车辆可行驶区域(free space)，并创建占位栅格（occupancy grid），然后使用占位栅格创建车辆代价图（vehicle costmap），代码运行环境为MATLAB R2018a。

语义分割是计算机视觉领域中的一个任务，旨在将图像中的每个像素标记为不同的语义类别。与对象检测将边界框绘制在图像中的物体上不同，语义分割更加精细，对每个像素进行分类。

语义分割，是像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别上来理解图像的。不同于实例分割，语义分割只需要进行类别划分，而实例分割则需要在语义分割的基础上，对同类中的不同实例进行划分。在8月7日的「CV前沿讲座」第13讲中，我们邀请到了阿德莱德大学在读博士陈昊为大家带来了主题为《BlendMask：高质高效的实例分割模型》的直播讲解，陈博也向我们系统的讲解了实例分割问题的定义、以及二阶段的实例分割方法和应用等。感兴趣的朋友可以点击下方图片进行回放。

关于高精度语义分割模型的研究已经有很多效果很好的重量级模型，如PSPNet、DeepLabV3+等，然而实际应用的过程中，对于高效模型的诉求非常迫切，实时的语义分割目前也有很大的进展，如旷世的BiSeNet、DFANet等。知识蒸馏则是一种将重量级模型学到的知识转移给轻量级模型从而提升其精度的策略，并且在语义分割任务中也可应用。

深度学习，一个大号/深层的，现代的，黑箱的，信号/图像处理器，本文程序运行环境为MATLAB R2018A。

本文简要讲解如何训练U-Net卷积神经网络对7个通道的多光谱图像进行语义分割，7个通道包括3个颜色通道、3个近红外通道和一个掩模通道。需要使用具有计算能力3.0或更高版本的支持CUDA的NVIDIATMGPU（需要并行计算工具箱）。

导读

随着智慧农业的发展，精准监测农田环境与作物生长状态成为关键需求。传统遥感技术受限于光谱分辨率与成像条件，难以满足精细化管理要求。本文以无人机搭载中达瑞和S810多光谱相机为技术载体，结合深度学习算法，提出单模态与多模态融合的农田语义分割方法。通过构建专用数据集与创新网络架构，显著提升了复杂场景下的分割精度与环境适应性，为精准农业提供了高效解决方案。

ALGM: Adaptive Local-then-Global Token Merging for Efficient Semantic Segmentation with Plain Vision Transformers

本文主要介绍了如何在昇腾上，使用pytorch对图像分割任务的开山之作FCN网络在VOC2012数据集上进行训练的实战过程讲解。主要内容包括FCN网络的创新点分析、FCN网络架构分析，实战训练代码分析等等。

本文的目录结构安排如下所示：

• FCN创新点分析
• FCN网络架构分析
• FCN网络搭建过程及代码详解