使用DeepLabV3+进行多类语义分割

此存储库包含模型和笔记本 to this Keras example on Multiclass semantic segmentation using DeepLabV3+ 。

全部感谢： Soumik Rakshit

该模型经过训练仅用于演示目的，并不能保证在生产中获得最佳结果。要获得更好的结果，请根据您的需要遵循优化 Keras example 。

背景信息

语义分割是一项重要的计算机视觉任务，旨在为图像中的每个像素分配语义标签。在本例中，我们实现了DeepLabV3+模型，用于多类语义分割，这是一种完全卷积的架构，在语义分割基准测试中表现良好。

训练数据

该模型在 Crowd Instance-level Human Parsing Dataset 的子集（10,000张图像）上进行了训练。Crowd Instance-level Human Parsing（CIHP）数据集具有38,280个多样化的人类图像。CIHP中的每个图像都带有20个类别的像素级注释，以及实例级别的标识。此数据集可用于“人体部分分割”任务。

模型

该模型使用在ImageNet上预训练的ResNet50作为骨干模型。

参考文献：