multiclass-semantic-segmentation:使用UNETFPN模型和城市景观数据集进行实验[Pytorch...

对和数据集的多类语义分割。 介绍 语义分割只不过是像素级分类，在深度学习社区中是众所周知的。 建立这种模型有几种“最先进的”方法。 因此，基本上，我们需要一个具有一些经过预训练的主干的全卷积网络，以进行特征提取，以使用给定的蒙版“映射”输入图像（例如，每个输出通道代表一个单独的类）。 这是城市景观注释的示例： 在这个仓库中，我想展示一种训练两种最流行的体系结构的方法resnext50和FPN（具有相当大的resnext50编码器）。 另外，我想给出一个概念，在自动驾驶/机器人技术领域中可以在哪里使用这些语义掩码：其中一种用例可以为点云聚类算法生成“优先级” 。 但是您可以提出一个问题：为什么在这种情况下最好使用全景/实例分割进行语义分割？ 好吧，我的回答是：语义分割模型更容易理解和训练。 Unet与功能金字塔网络 UNET和FPN都使用了不同比例的功能，我将在网络上引用有关UNet和FP