语义分割的根本目的：像素级分类！不同分割网络效果语义分割算法的基本流程输入：图像（RGB）cv.imread、dataloader…算法：深度学习模型FCN、UNet…输出：分类结果（与输入大小一致的单通道图）训练过程：输入：image + label前向：out = model(image)计算损失：loss = loss_func(out, label)反向：loss.backward()更新

bottom-up：不需要先做检测Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation论文链接：https://arxiv.org/pdf/1911.10194.pdfPanoptic-DeepLab框架采用双ASPP双解码器结构预测三个输出，语义分割，实例中心和实例回归F

课程链接1. Overview人类智能（Human Intelligence）推理 infer预测（prediction）：实体——抽象概念而 machine learning 就是把推理的大脑变成算法How to develop learing system？基于规则的算法（人工智能程序）：依赖于规则，需要非常专业的背景知识来制定规则，构建知识库。如果是很复杂的目标，是很难把规则做通的，肯定会漏

课程链接1. Overview人类智能（Human Intelligence）推理 infer预测（prediction）：实体——抽象概念而 machine learning 就是把推理的大脑变成算法How to develop learing system？基于规则的算法（人工智能程序）：依赖于规则，需要非常专业的背景知识来制定规则，构建知识库。如果是很复杂的目标，是很难把规则做通的，肯定会漏

课程链接1. Overview人类智能（Human Intelligence）推理 infer预测（prediction）：实体——抽象概念而 machine learning 就是把推理的大脑变成算法How to develop learing system？基于规则的算法（人工智能程序）：依赖于规则，需要非常专业的背景知识来制定规则，构建知识库。如果是很复杂的目标，是很难把规则做通的，肯定会漏

基于语义特征的图推理方法 GINet（Graph Interaction Network for Scene Parsing）研究动机Beyond Grids以及GloRe都是基于视觉图表征来推理上下文GINet考虑用语义知识来增强视觉推理具体方法图构建视觉图的构建：Z为投影矩阵（1×1卷积生成），W为维度变换矩阵（把维度变成D维），N就是node的数量，D就是每个node的维度。语义图的构建：通

课程链接1. Overview人类智能（Human Intelligence）推理 infer预测（prediction）：实体——抽象概念而 machine learning 就是把推理的大脑变成算法How to develop learing system？基于规则的算法（人工智能程序）：依赖于规则，需要非常专业的背景知识来制定规则，构建知识库。如果是很复杂的目标，是很难把规则做通的，肯定会漏

paddle ocr gpu配置

SOLO：Segmentation Objects by LocationsSOLO框架

PSP分割网络：Pyramid Scene Parsing NetworkScene ~= Semantic SegmentationⅠ. FCN的缺点：分割结果不够精细没有考虑上下文信息（左顾右盼）Ⅱ. PSP网络 —— Context Information1. 缺少上下文信息表现：图中的boat区域和类别"car"的appearance相似模型只有local信息，boat容易被识别成"car