DAY1(10月19日)
1.图像分割综述
2.语义分割初探
3.环境搭建与飞桨动态图实战演示
4.语义分割的数据格式和处理
语义分割的实质:像素级分类。更直白的说,就是分割就是抠图。在自动驾驶和机器人领域中,理解模型操作环境的上下文是非常重要的,语义分割是其中很核心的技术,能够大幅降低人工。
DAY2(10月20日)
1.FCN全卷积网络结构详解
2.飞桨中的上采样操作实践
3.飞桨实现FCN
语义分割需要判断图像每个像素点的类别,进行精确分割。由于CNN在进行convolution和pooling过程中丢失了图像细节,无法做到精确的分割。针对这个问题,Jonathan Long等人提出了Fully Convolutional Networks(FCN)用于图像语义分割。自从提出后,FCN已经成为语义分割的基本框架,后续算法其实都是在这个框架中改进而来。
DAY3(10月21日)
1.U-Net模型与PSPNet模型详解
2.飞桨实现UNet/PSPNet
3.飞桨实现DilatedResnet
4.分割网络loss和metrics实现
DAY4(10月22日)
1.Dilated Conv 原理和细节
2.ASPP模块解析
3.DeepLab系列详解
4.实现DeepLabV3/ASPP/MultiGrid
5.分割网络loss和metrics实现
FCN网络出现以来,深度学习开始被广泛地用来处理图像分割的任务,Deeplab系列网络通过多尺度空洞卷积的方法很好地解决了图像分割中多尺度的问题。
DAY5(10月23日)
1.深入解析GCN(图卷积网络)
2.Graph-based Segmentation多个方法详解 (GloRe, GCU, GINet)
3.GCN代码简要解析
4.在Pascal Context上实现GloRe
当前堆叠许多卷积和池化操作的深度模型面临着这些问题:
1、有效感受野非常有效;
2、不能很好的进行上下文建模;
3、当前卷积神经网络无法有效建模相距较远的区域之间的全局关系;
图卷积网络能够处理具有广义拓扑图结构的数据,并深入发掘其特征和规律,例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不规则数据。
DAY6(10月24日)
1.实例分割与全景分割概述
2.实例分割:Mask R-CNN和SOLO
3.全景分割:PanapticFPN和UPSNet
DAY7(10月25日)
1.主流分割数据集介绍
2.最近研究进展探讨
3.课程总结与Q&A
DAY8(10月27日)
结营典礼
课程链接:https://aistudio.baidu.com/aistudio/course/introduce/1767