1、什么是语义分割

目标检测：

检测出图像中目标位置和类别，使用锚框框出目标位置

实例分割：

将前景物体分割开来，并且每一个物体有不同的id（颜色）  

语义分割：

和实例分割相似，但是有所不同，语义分割按照类别来区分，一个类别的图像是一种颜色，也就是同一个类别的不同个体不加区分

全景分割：

对背景以类别进行区分，对于前景以个体作为区分

 2、语义分割经典网络模型

3、语义分割常见数据集格式

PASCAL  VOC

VOCdevkit
    └── VOC2012
         ├── Annotations               所有的图像标注信息(XML文件)
         ├── ImageSets    
         │   ├── Action                人的行为动作图像信息
         │   ├── Layout                人的各个部位图像信息
         │   │
         │   ├── Main                  目标检测分类图像信息
         │   │     ├── train.txt       训练集(5717)
         │   │     ├── val.txt         验证集(5823)
         │   │     └── trainval.txt    训练集+验证集(11540)
         │   │
         │   └── Segmentation          目标分割图像信息
         │         ├── train.txt       训练集(1464)
         │         ├── val.txt         验证集(1449)
         │         └── trainval.txt    训练集+验证集(2913)
         │ 
         ├── JPEGImages                所有图像文件
         ├── SegmentationClass         语义分割png图（基于类别）
         └── SegmentationObject        实例分割png图（基于目标）

 

MS COCO

MS COCO数据集的标注方式和PASCAL VOC数据集标注方式不同 ，不是通过对图像每个像素进行分类来进行标注的，而是通过绘制出物体的轮廓进行标注

4、语义分割得到结果的具体形式

5、语义分割的常见评价指标

 主要是Global ACC、mean ACC、mean IOU三种常见评价指标，其中mIOU是最常用的评价指标

Global ACC 就是每一类预测正确的像素点的个数加和然后除整个图像的总像素点个数

mean ACC 就是将每一类预测正确的像素点的个数除上这个类的所有像素点的个数的值进行加和，然后再除上种类数

mean IOU 就是每一个类预测的区域和正确的区域相交的大小除上预测区域和正确区域的并集加和，然后除上种类数

6、语义分割标注工具

 labelme（比较早的标注工具，无法半自动标注，只能够靠人工一个点一个点的去标，然后将目标给框出来，稳定可靠）

 

 EISeg（百度提供的标注工具，能够实现半自动标注，针对日常生活常见的场景或者图像简单的图片比较好用，并且标注之后觉得效果不行还可以对每个点进行微调）

OK，到这里语义分割的基础知识就介绍完毕了，如果对您有所帮助，麻烦给笔者点个关注，感谢感谢。后续会分享更多计算机视觉的相关知识。

参考链接：【语义分割前言】 https://www.bilibili.com/video/BV1ev411P7dR/?share_source=copy_web&vd_source=cd1e53c77df00190e0fc95f6e80b8eae