图像语义分割与实例分割

20/23图像语义分割与实例分割第一部分语义分割与实例分割概念辨析 2第二部分U-Net：语义分割模型典范 4第三部分Mask-RCNN：实例分割模型开山之作 7第四部分语义分割中的注意力机制应用 10第五部分实例分割中的掩码生成策略 12第六部分分割模型的评估指标与度量方法 15第七部分分割任务中的数据增强与预处理 17第八部分分割模型的应用领域与发展展望 20

第一部分语义分割与实例分割概念辨析关键词关键要点语义分割与实例分割概念辨析

主题名称：语义分割

1.语义分割将图像中的每个像素分配给特定的语义类别，例如“人”、“车”或“背景”。

2.每个语义类别代表图像中一个具有一定语义含义的实体，无论其形状、大小或位置如何。

3.语义分割输出的分割掩码只包含语义类别信息，而没有特定实例的信息。

主题名称：实例分割

图像语义分割与实例分割概念辨析

图像分割，又称语义切分，是计算机视觉中的fondamentali任务之一。其目标是将图像像素分配给语义上不同的类，生成一个像素级的分割掩码。图像分割广泛应用于目标检测、场景理解、自动驾驶等领域。

图像语义分割和实例分割是图像分割中的两个主要分支，它们在概念和应用上有显著区别。

语义分割

语义分割旨在将图像的每个像素分配给一个语义类，例如，“天空”、“汽车”、“行人”等。语义分割关注的是对象类别，而忽略了对象实例之间的差异。因此，对于同一类别的不同实例，语义分割的结果将是相同的。

实例分割

实例分割除了将图像像素分配给语义类之外，还进一步区分同一类别的不同实例。例如，对于图像中的两辆汽车，实例分割将为每辆汽车生成一个独特的掩码，区分它们的不同实例。

关键区别

*目标：语义分割关注语义类，而实例分割关注语义类和实例。

*实例识别：语义分割不区分同一类别的不同实例，而实例分割识别并分割不同的实例。

*掩码：语义分割生成像素级的语义掩码，而实例分割生成像素级的实例掩码，为每个实例分配唯一的标识符。

应用

由于目标的不同，语义分割和实例分割在应用上有不同的优势：

*语义分割：场景理解、图像理解、图像编辑、自动驾驶（道路分割、交通标志识别）

*实例分割：对象检测、目标跟踪、人像分割、医学影像分割

技术差异

从技术角度来看，语义分割和实例分割也存在差异：

*模型结构：语义分割模型通常使用全卷积网络（FCN），而实例分割模型使用编码器-解码器结构，具有跳跃连接以保留空间信息。

*损失函数：语义分割通常使用交叉熵损失，而实例分割使用更复杂的损失函数，例如掩码交叉熵损失和边界框损失。

*后处理：语义分割输出的掩码可以简单地通过阈值化进行后处理，而实例分割的掩码通常需要进行复杂的后处理，例如实例分组和边界框生成。

当前进展

语义分割和实例分割领域都在迅速发展。语义分割模型在各种基准数据集上取得了显着性能。实例分割模型也在不断完善，在精度和速度方面都有改进。

结论

语义分割和实例分割是图像分割中的两个关键分支，具有不同的概念、目标和应用。语义分割关注语义类，而实例分割关注语义类和实例。了解这两种技术之间的区别对于选择最适合特定应用的任务至关重要。第二部分U-Net：语义分割模型典范关键词关键要点U-Net网络架构

1.U-Net采用编码-解码结构，编码器通过一系列卷积和池化操作提取图像特征，解码器通过上采样和卷积操作逐步恢复图像细节，形成最终的分割结果。

2.U-Net在编码器和解码器路径之间建立跳跃连接，将编码器中提取的语义信息传递给解码器，增强了模型的语义分割能力。

3.U-Net结构灵活且可扩展，可以通过调整编码器和解码器的深度和宽度来适应不同尺寸和复杂度的图像分割任务。

注意力机制

1.注意力机制通过学习特征之间的权重，将模型的重点放在分割任务中最重要的区域。

2.自注意力机制允许模型无需外部参考，直接关注图像中的特定区域，提高了语义分割的精度。

3.注意力机制在U-Net中可以增强跳跃连接，使解码器能够更有效地利用编码器提取的语义信息。

损失函数

1.交叉熵损失函数是图像分割中常用的损失函数，它衡量预测分割掩码与真实分割掩码之间的差异。

2.Dice系数损失函数针对分割任务进行了优化，它关注分割掩码之间的重叠区域，更适合于不平衡数据集。

3.聚合损失函数结合了多个损失函数的优势，在语义分割和实例分割任务中表现出色。

数据增强

1.数据增强技术通过对原始图像进行旋转、翻转、裁剪等操作，扩充训练数据集，增强模型的鲁棒性和泛化能力。

2.图像混合和合成等先进的数据增强技术可以创造更多具有挑战性的训练样本，提高模型在真实场景下的分割精度。

3.数据增强有助于缓解图像分割任务中常见的数据稀疏和不平衡问题。

优化算法

1.随机梯度下降（SGD）是图像分割中常用的优化算法，它通过迭代更新模型参数来最小化损失函数。

2.动量法和RMSprop等优化算法通过引入动量项和自适应学习率，加速了模型训练过程，提高了训练效率。

3.Adam（自适应矩估计）算法在图像分割任务中表现出色，它结合了动量法和RMSprop的优势，具有快速收敛性和较高的泛化能力。

应用场景

1.生物医学图像分割：U-Net在医学图像分割（如病灶分割、组织分类）方面具有广泛的应用，有助于精确诊断和治疗规划。

2.遥感图像分割：U-Net可用于分割卫星图像中的土地覆盖类型、建筑物和道路等对象，为城市规划和环境监测提供支持。

3.自动驾驶：U-Net在自动驾驶中用于分割道路场景中的行人、车辆和障碍物，为自动驾驶汽车提供可靠的感知信息。U-Net：语义分割模型典范

引言

语义分割是计算机视觉中一项重要的任务，旨在将图像中的每个像素分配给相应的语义类别。U-Net架构在语义分割领域取得了显著的成功，成为该领域的标杆模型。

U-Net架构

U-Net是一种卷积神经网络（CNN），由以下部分组成：

*编码器路径：一系列卷积层，逐渐减小特征图的大小并增加通道数，捕获图像的局部特征。

*池化层：用于在编码器路径中对特征图进行下采样。

*解码器路径：一系列卷积层和上采样层，逐步增加特征图的大小并减小通道数，恢复空间信息。

*跳跃连接：将编码器路径中的高分辨率特征图与解码器路径中的相应特征图相连接，允许模型整合来自不同层次的特征。

U-Net的优势

U-Net架构具有以下优势：

*有效捕获局部和全局特征：通过编码器路径提取局部特征，通过解码器路径和跳跃连接恢复全局上下文信息。

*空间分辨率高：解码器路径中的上采样层使模型能够预测高分辨率语义分割掩码。

*端到端训练：模型直接从图像预测分割掩码，无需后处理步骤。

变体和应用

U-Net架构已被广泛扩展和应用于各种语义分割任务，包括：

*медицинскоеизображение分割：用于分割医学图像中的组织和器官。

*遥感影像分割：用于识别和分割卫星图像中的土地覆盖类型。

*道路场景分割：用于从驾驶员辅助系统(ADAS)传感器数据中分割道路场景。

U-Net的局限性

尽管取得了成功，但U-Net仍存在一些局限性：

*对训练数据要求高：需要大量标记的数据才能训练出鲁棒且准确的模型。

*处理大型图像的能力有限：由于卷积层会生成庞大的特征图，处理大型图像可能会遇到计算资源限制。

*对特定任务的泛化能力弱：对于新的或不同的语义分割任务，可能需要针对特定数据集重新训练模型。

结论

U-Net架构是一种强大的语义分割模型，在各种应用中取得了显著的成功。其有效捕获局部和全局特征、高空间分辨率和端到端训练的能力使其成为该领域的首选模型。尽管存在一些局限性，但U-Net仍然是语义分割研究和应用的基石。第三部分Mask-RCNN：实例分割模型开山之作Mask-RCNN：实例分割开山之作

Mask-RCNN，全称MaskRegion-basedConvolutionalNeuralNetwork，是一种实例分割网络，由何凯明等人于2017年提出。它以FasterR-CNN为基础，在检测和分割任务上进行了改进，成为实例分割领域的开山之作。

原理

Mask-RCNN的主要思想是将检测任务和分割任务结合起来。它首先使用FasterR-CNN的特征提取器和区域建议网络(RPN)来定位图像中的目标。对于每个目标，网络会预测一个边界框和一个掩码，掩码表示目标在图像中的像素级位置。

Mask-RCNN新增了以下几个模块：

*RoIAlign层：将不同尺度的特征图对齐到相同的空间尺寸，以生成固定大小的特征图。

*掩码分支：一个分支网络，用于预测每个目标的像素级掩码。

*损失函数：结合了边界框损失和掩码损失，以联合优化检测和分割任务。

Mask-RCNN的优点

*准确性高：Mask-RCNN在COCO数据集上实现了当时最先进的实例分割性能。

*速度快：它可以实时处理图像，每秒处理速度超过5fps。

*鲁棒性强：它对图像中的遮挡、变形和背景杂乱具有鲁棒性。

*通用性好：它可以用于各种实例分割任务，包括人体姿态估计、医学图像分割等。

Mask-RCNN的影响

Mask-RCNN的提出对实例分割领域产生了深远影响：

*推动了实例分割的发展：它建立了实例分割任务的基准，促进了该领域的快速发展。

*融合了检测和分割：它展示了检测和分割任务之间的相关性，为其他任务的联合优化提供了启示。

*促进了计算机视觉的发展：它作为一种通用实例分割工具，被广泛应用于自动驾驶、机器人和医疗等领域。

Mask-RCNN的不足

尽管Mask-RCNN取得了巨大的成功，但它也存在一些不足之处：

*计算成本高：预测掩码需要额外的计算量，这限制了它的实时应用。

*内存消耗大：预测掩码会产生大量中间结果，这增加了内存消耗。

*在复杂场景下性能下降：在遮挡、拥塞或背景杂乱严重的场景下，Mask-RCNN的性能可能会下降。

改进和扩展

为了解决Mask-RCNN的不足之处，研究人员提出了多种改进和扩展方法：

*轻量化模型：降低模型复杂度和计算成本，提升实时性和嵌入式应用能力。

*改进掩码预测分支：设计更有效率的网络结构，提高掩码预测精度。

*多任务学习：结合其他任务，如目标跟踪或语义分割，提升模型泛化能力。

结论

Mask-RCNN作为实例分割领域的开山之作，通过融合检测和分割任务，大幅提升了实例分割性能。它的提出推动了实例分割的发展，并成为计算机视觉领域不可或缺的重要技术。尽管存在一些不足之处，Mask-RCNN仍然是研究人员和从业者在实例分割任务上的首选模型之一。第四部分语义分割中的注意力机制应用关键词关键要点注意力机制在语义分割中的应用

1.空间注意力机制：重点关注语义分割中的空间关系，通过赋予不同空间位置的权重，增强对特定区域或局部细节的关注。

2.通道注意力机制：关注图像的通道信息，对不同语义通道进行加权平均或最大池化，突出与特定目标类别相关的通道。

3.混合注意力机制：结合空间和通道注意力，同时考虑空间关系和通道信息，提高模型对具有挑战性图像的处理能力。

注意力模块

1.SENet：使用自注意力机制计算通道权重，通过全局平均池化和多层感知器对通道信息进行建模。

2.CBAM：同时使用通道和空间注意力模块，并通过串行连接整合两种注意力机制。

3.DANet：提出了一种双重注意力网络，包括空间注意力模块和自注意力模块，用于增强对图像中关键区域的表示。

注意力转换

1.空间转换：将注意力的空间表示转换为语义分割输出，例如通过使用反卷积或上采样层。

2.通道转换：将注意力图通道信息转换为语义类别输出，例如通过使用1x1卷积层进行投影。

3.混合转换：结合空间和通道转换，同时提高模型的空间和语义分割精度。

注意力损失函数

1.空间损失：基于注意力的空间分布计算损失函数，以增强模型对特定区域或对象边界的关注。

2.通道损失：惩罚注意力图中与特定语义类别不相关的通道，提高模型区分不同类别对象的灵敏度。

3.混合损失：结合空间和通道损失，以全面方式提高模型的语义分割性能。

注意力模型评估

1.定量评估：使用指标如平均交并比(mIoU)、像素精度和整体精度来度量注意力模型的语义分割性能。

2.定性评估：通过可视化注意力图，分析模型对特定语义类别的关注模式和分割边界。

3.鲁棒性评估：测试注意力模型对图像噪声、遮挡和光照变化等挑战性条件的鲁棒性。

前沿趋势

1.多尺度注意力：使用不同尺度的注意力机制来处理不同尺寸的对象和细粒度细节。

2.动态注意力：利用可变形卷积或基于Transformer的机制来产生动态注意力图，以适应图像中的变化和变形。

3.自监督注意力：通过自监督预训练任务学习注意力机制，减少对标记数据的依赖性。图像语义分割中的注意力机制应用

简介

注意力机制是一种神经网络技术，它允许模型专注于输入数据的特定部分或特征。在图像语义分割中，注意力机制通过强调图像中与目标分割任务相关的区域来增强模型性能。

注意力机制的类型

在语义分割中，常用的注意力机制类型包括：

*通道注意力：关注图像不同通道中的相关性。

*空间注意力：关注图像不同空间位置之间的关系。

*混合注意力：结合通道和空间注意力的优点。

通道注意力机制

*SENet：一种挤压激发网络，通过生成通道权重来加权通道。

*CBAM：一种通道注意力和空间注意力并行的模块。

*ECA-Net：通过计算跨通道的全局平均池化来生成通道权重。

空间注意力机制

*空间金字塔池化（SPP）：使用不同大小的池化层来生成多尺度特征图。

*非局部平均池化（Non-local）：计算跨空间位置的加权平均。

*空间注意力模块（SAM）：使用门控卷积生成空间权重图。

混合注意力机制

*DANet：通过使用通道注意力分支和空间注意力分支来生成注意力特征图。

*PSANet：使用自适应空间池化来生成空间特征图，然后与通道注意力分支相结合。

*OCNet：通过使用扩张卷积和池化操作来生成多尺度注意力特征图。

注意力机制在语义分割中的应用

注意力机制在语义分割中具有以下优势：

*突出图像中与分割任务相关的区域。

*抑制图像中与分割任务无关的区域。

*增强模型在复杂场景中的分割能力。

结论

注意力机制是图像语义分割中一项强大的技术，通过强调图像中相关的区域来提高分割性能。通过结合不同的注意力机制类型，可以进一步增强模型的能力，在各种场景中实现更准确的分割结果。第五部分实例分割中的掩码生成策略关键词关键要点主题名称：基于像素的掩码生成

1.为每个像素分配一个概率值，表示该像素属于目标实例的可能性。

2.使用深度神经网络从输入图像中学习像素-类别的关系。

3.可以使用各种损失函数来训练网络，例如交叉熵损失或Dice损失。

主题名称：基于区域的掩码生成

实例分割中的掩码生成策略

实例分割任务要求对图像中的每个实例进行分割并生成对应的掩码，以区分不同对象。掩码生成策略是实例分割模型中的关键组件，负责预测每个像素属于哪个实例。以下是对各种掩码生成策略的概述：

1.MaskR-CNN

MaskR-CNN使用区域提案网络(RPN)提出候选目标框，并为每个框生成对应的掩码。它通过将卷积特征图上每个像素的特征与目标类别和掩码的分支相连接来生成掩码。该策略融合了检测和语义分割的优势，既能准确地定位实例，又能生成精细的掩码。

2.Panoptic-FCN

Panoptic-FCN采用语义分割和实例分割相结合的方法。它使用全卷积网络(FCN)提取图像的语义特征图，然后通过上采样和解卷积操作生成实例掩码。该策略可以同时分割实例和背景，从而实现更全面的场景理解。

3.SharpMask

SharpMask是一种基于边缘检测的实例分割方法。它使用Canny边缘检测器提取图像的边缘信息，并将其与卷积特征图相结合来生成掩码。该策略能够生成具有锐利边界的精细掩码，特别适用于具有复杂形状或重叠目标的场景。

4.YOLACT

YOLACT（YouOnlyLookAtCocendentalefficients）是一种实时实例分割方法。它采用Anchor-Free机制，直接预测实例的边界框、类别和掩码。该策略使用了转换层和掩码转换层，通过学习anchor与实例掩码之间的转换关系来生成掩码。

5.DensePose

DensePose是一种细粒度的实例分割方法，可以预测每个像素的实例归属和人体的关键点位置。它使用密集标记的训练数据，通过卷积神经网络学习像素与实例和关键点的关系，从而生成具有丰富形状和纹理细节的掩码。

6.GridR-CNN

GridR-CNN是一种基于网格的实例分割方法。它将图像划分成网格，并为每个网格单元预测一个掩码值。该策略避免了对密集像素进行预测的计算成本，并且能够生成具有连贯性的掩码，特别适用于具有大面积背景的场景。

7.MaskScoringR-CNN

MaskScoringR-CNN使用掩码评分机制来提高掩码质量。它在MaskR-CNN的基础上增加了掩码评分分支，用于预测每个像素属于目标实例的概率。该策略可以抑制背景噪音，并生成更加准确和完整的掩码。

8.SOLO

соло（SegmentingObjectsbyLocations）是一种实例分割方法，使用单一分支头部预测实例的中心点和大小。它通过将中心点和边界框参数编码为一个单一的张量来生成掩码。该策略具有计算效率，适用于实时应用。

结论

实例分割中的掩码生成策略对于准确地识别和分割图像中的每个实例至关重要。不同的策略具有各自的优势和劣势，研究人员正在不断开发新的方法来提高掩码的质量和效率。这些策略在自动驾驶、医疗成像和视频分析等广泛的应用中发挥着重要作用。第六部分分割模型的评估指标与度量方法关键词关键要点【交并比（IOU）】

1.定义：IoU衡量的是预测掩模与真实掩模之间的重叠程度，计算公式为真阳性除以（真阳性+假阳性+假阴性）。

2.优点：IoU是一个直观且易于理解的指标，它可以反映分割模型在定位对象和区分对象边界方面的性能。

3.局限性：IoU可能会受到对象大小和形状的影响，并且它不能区分预测掩模中的多个实例。

【像素精度（PA）】

图像语义分割与实例分割的评估指标与度量方法

语义分割评估指标

语义分割将图像中的每个像素分配给相应的语义类别。评估指标如下：

*像素精度（PixelAccuracy，PA）：将正确分类的像素数量与图像中像素总数的比率。

*平均像素精度（MeanPixelAccuracy，MPA）：计算所有类别的像素精度的平均值。

*平均交并比（MeanIntersectionoverUnion，mIoU）：对于每个类别，将预测分割结果与真实分割结果的交集与并集的比率进行平均。

*交并比（IntersectionoverUnion，IoU）：对于每个类别，计算预测分割结果与真实分割结果的交集与并集的比率。

实例分割评估指标

实例分割将图像中的每个像素分配给相应的实例ID。评估指标如下：

基于像素的指标：

*Pixel-wiseJaccardIndex（PJI）：计算预测分割结果与真实分割结果的像素级交并比。

*Pixel-wiseSensitivity（PS）：也称为召回率，计算真实分割结果中被预测分割结果正确检测到的像素的比率。

*Pixel-wisePrecision（PP）：也称为精确率，计算预测分割结果中被真实分割结果正确检测到的像素的比率。

基于实例的指标：

*MaskAveragePrecision（mAP）：以不同阈值（0.50、0.55、...、0.95）计算平均精度。

*MeanBestOverlap（MBO）：对于每个实例，计算预测分割结果与真实分割结果的最佳重叠IoU。

*DetectionPrecision（DP）：计算正确检测到实例的预测分割结果的比率。

*DetectionRecall（DR）：计算真实实例中被正确检测到的实例的比率。

度量方法

IoU阈值选择：

mIoU和IoU指标需要选择一个阈值来确定正确分类的像素。常见的阈值包括0.5、0.7和0.9。

排除小的实例：

对于实例分割，通常会排除面积小于一定阈值的实例，以避免错误评估。

平均多个分割结果：

为了获得更稳健的评估结果，可以对多个分割结果进行平均。

挑战和改进：

评估语义和实例分割模型仍然存在一些挑战，包括：

*类不平衡：某些类可能比其他类更常见，这可能导致对少数类的评估偏差。

*边界定位：准确定位实例或语义区域的边界仍然具有挑战性。

*语义模糊性：某些区域可能具有语义模糊性，这可能会导致在不同评估标准之间出现差异。

为了解决这些挑战，正在开发新的评估指标和方法，例如联合语义和实例分割评估、考虑边界定位的指标以及处理语义模糊性的方法。第七部分分割任务中的数据增强与预处理关键词关键要点数据扩充

1.图像随机翻转与旋转：通过水平或垂直翻转、随机旋转等操作，增加图像的多样性，防止模型过拟合。

2.图像裁剪与缩放：将图像裁剪为不同大小和纵横比，模拟真实世界的视觉变化，提高模型的泛化能力。

3.色彩扰动：调整图像的亮度、对比度、饱和度等属性，增强模型对光照变化和色彩失真的鲁棒性。

数据预处理

1.图像归一化：将图像像素值归一化到特定范围内，消除不同图像之间的亮度差异，便于模型训练。

2.图像尺寸标准化：将图像调整为统一尺寸，满足模型输入的要求，避免因图像大小不同而导致训练困难。

3.数据增强与预处理的组合使用：结合多种数据增强和预处理技术，最大限度地提高图像数据集的多样性，增强模型的泛化能力和鲁棒性。图像语义分割与实例分割中数据增强与预处理

1.图像增强

图像增强技术旨在改善图像的质量和信息内容，从而提高分割模型的性能。常用的图像增强方法包括：

*随机裁剪：从原始图像中随机裁剪出较小的图像块，增加数据集的样本量和图像多样性。

*随机水平翻转：以一定概率将图像水平翻转，避免模型对图像左右方向的偏差。

*随机垂直翻转：以一定概率将图像垂直翻转，避免模型对图像上下方向的偏差。

*随机旋转：以一定概率随机旋转图像，增加图像的多样性并增强模型对旋转不变性的鲁棒性。

*色度抖动：随机调整图像的亮度、对比度、饱和度和色相，提高模型对光照变化的适应性。

*模糊处理：以一定概率对图像进行高斯模糊或运动模糊处理，模拟真实图像中的噪声和运动模糊。

*分块：将图像划分为多个重叠的块，然后分别对每个块进行数据增强，增强图像的局部特征。

2.图像预处理

图像预处理是将原始图像转换为分割模型可接受格式的必要步骤，包括：

*图像大小调整：将图像调整为模型期望的特定大小，保证输入的一致性。

*归一化：将图像像素值归一化到某个范围（例如[0,1]或[-1,1]），减小因不同图像取值范围带来的影响。

*语义标签生成：对于语义分割任务，需要为每个像素分配相应的语义标签，例如，背景、道路、建筑物等。

*实例掩码生成：对于实例分割任务，需要为每个实例生成一个二进制掩码，其中实例的像素被标记为1，背景像素被标记为0。

*数据格式转换：将图像和标签转换到模型支持的数据格式，例如NumPy数组或PyTorch张量。

3.数据增强与预处理的优势

数据增强和预处理在图像语义分割和实例分割任务中具有以下优势：

*增加数据集多样性：通过图像增强技术，可以创建大量的合成图像，从而增加数据集的多样性并防止模型过拟合。

*提高模型泛化能力：图像增强和预处理有助于模型学习图像的本质特征，而不是特定图像的外观，从而提高模型对新图像的泛化能力。

*减少训练时间：通过增加数据集的大小，可以加快模型的训练速度，因为模型需要处理更多的样本才能达到所需的性能水平。

*处理真实世界挑战：图像增强和预处理可以模拟真实图像中的常见挑战，例如噪声、模糊和光照变化，提高模型对这些挑战的鲁棒性。

*提高分割精度：通过使用精心设计的图像增强和预处理策略，可以显着提高语义分割和实例分割模型的精度。第八部分分割模型的应用领域与发展展望关键词关键要点自动驾驶

1.语义分割用于道路场景理解，识别道路、车辆、行人等对象，为自动驾驶系统提供环境感知基础。

2.实例分割可精细分割单个物体，有助识别不同车辆、行人，提高决策可靠性和安全性。

3.语义和实例分割相结合，可提供更加丰富和准确的环境信息，提升自动驾驶系统性能。

医疗影像分析

1.语义分割用于医学影像中器官、组织和病变的识别和定量，辅助疾病诊断和治疗决策。

2.实例分割可精细分割单个器官和病变，用于手术规划、个性化治疗和预后评估。

3.语义和实例分割结合，可提供更加全面的影像信息，提高疾病诊断和治疗的准确性和效率。

智能制造

1.语义分割用于工业场景中物体检测、缺陷识别