语义分割(semantic segmentation)FCN
实例分割( Instance segmentation)Mask R-CNN
全景分割(Panoramic segmentation) Panoptic FPN
3-13采集数据的注意点
- 不要迎着光拍摄
- 最好有云台支持
- 需要增加人站着的识别
- 人不要太近
- 要考虑拍照的时间，白天还是下午，看起来最好是早上，阴天
- 需要考虑照相机摆放的位置
3-22采集数据的注意点
- 可以拍摄不同角度的，比如竖着的也拍摄一点
3.15下次拍照需要注意的：
脏数据的影响
标注中出现的问题
训练的时候，IoU出现了Nan
- 学习率过大或过小：学习率过大会导致模型参数更新过快，模型无法收敛或者在训练过程中出现梯度爆炸、梯度消失等问题；学习率过小则可能导致模型收敛缓慢或者无法收敛，从而导致 IoU 变成 NaN。
- 数据集中出现空白区域：如果数据集中存在一些空白区域（即标注中的像素值全部为 0），那么计算 IoU 的时候可能会出现分母为 0 的情况，从而导致 IoU 变成 NaN。
- 模型架构或训练方式问题：如果模型架构设计不合理或者训练方式不当，可能会导致训练过程中出现梯度爆炸、梯度消失等问题，从而导致 IoU 变成 NaN。
- 数据集标注问题：数据集标注问题也可能导致 IoU 变成 NaN。比如，在数据集标注过程中出现了错误的标注，可能导致 IoU 计算错误。
出现了脏数据
语义分割评价指标
混淆矩阵
TP（True Positive）：真正例，模型预测为正例，实际是正例（模型预测为类别1，实际是类别1）
FP（False Positive）：假正例，模型预测为正例，实际是反例 （模型预测为类别1，实际是类别2）
FN（False Negative）：假反例，模型预测为反例，实际是正例 （模型预测为类别2，实际是类别1）
TN（True Negative）：真反例，模型预测为反例，实际是反例 （模型预测为类别2，实际是类别2）
交并比（Intersection over Union，IoU）
含义：模型对某一类别预测结果和真实值的交集与并集的比值
平均交并比（Mean Intersection over Union，MIoU）
含义：模型对每一类预测的结果和真实值的交集与并集的比值，求和再平均的结果
只有一个数值，对于每个类的IoU取平均
参考资料
[机器学习开篇之机器学习的分类]https://blog.csdn.net/Lion_Dreams/article/details/125269215
[计算机视觉 - 语义分割 （semantic segmentation）]https://blog.csdn.net/baidu_41617231/article/details/107739897
[机器学习：mAP评价指标]https://blog.csdn.net/qq_40765537/article/details/106394103
[PASCAL VOC2012数据集介绍]https://blog.csdn.net/qq_37541097/article/details/115787033
[损失函数（loss function）]https://blog.csdn.net/EmilyHoward/article/details/118367495
[标注工具的使用]https://www.bilibili.com/video/BV1ev411P7dR/?spm_id_from=333.999.0.0&vd_source=76dff3ae3b42b00d067c0921bf6859ca
[Labelme工具对应博文]https://blog.csdn.net/qq_37541097/article/details/120162702
[安装labelme教程]https://blog.csdn.net/weixin_43427721/article/details/107122775
[EISeg工具对应博文]https://blog.csdn.net/qq_37541097/article/details/120154543
[batch size设置技巧]https://blog.csdn.net/zqx951102/article/details/88918948
[Azure Kinect DK 深度相机]https://blog.csdn.net/denkywu/article/details/103177559
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现
ADE20K