前 言
「MMSegmentation」 是一个基于 PyTorch 的语义分割开源工具箱。它是 OpenMMLab 项目的一部分。
MMSegmentation v1.x 在 0.x 版本的基础上有了显著的提升，提供了更加灵活和功能丰富的体验。
主要特性
- 统一的基准平台
我们将各种各样的语义分割算法集成到了一个统一的工具箱，进行基准测试。
- 模块化设计
MMSegmentation 将分割框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的分割模型。
- 丰富的即插即用的算法和模型
MMSegmentation 支持了众多主流的和最新的检测算法，例如 PSPNet，DeepLabV3，PSANet，DeepLabV3+ 等.
- 速度快
训练速度比其他语义分割代码库更快或者相当。
一、什么是语义分割
任务：将图像按照物体的类别分割成不同的区域；
等价于：对每个像素进行分类。
二、语义分割 vs 实例分割 vs 全景分割
三、语义分割基本思路
1、按颜色分割
2、逐像素分类
全连接层卷积化
四、深度学习下的语义分割网络
1、全卷积网络
2、预测图的升采样
问题：图像分类模型使用降采样层(步长卷积或池化)获得高层次特征，导致全卷积网络输出尺寸小于原图，而分割要求同尺寸输出；
解决方法：
对预测的分割图升采样，恢复原图分辨率，升采样方案
- 双线性插值
- 转置卷积: 可学习的升采样层
3、基于多层级特征的上采样
4、上下文信息
5、空洞卷积与DeepLab系列算法
空间金字塔池化 
6、语义分割算法总结
7、近期前沿的语义分割工作
1）SegFormer
2）K-Net
3）MaskFormer
4）Mask2Former
5）SAM
五、语义分割模型的评估
1、真实图与预测图
