[毕业设计]机器学习水域检测标注算法

阅读：评论：0

[毕业设计]机器学习水域检测标注算法

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

本次分享的课题是

🎯机器学习水域检测标注算法

课题背景和意义

语义分割（Semantic Segmentation）是计算机视觉中的一个重要领域，它可以将图像中的每一个像素划分到不同类别的集合中。近年来，语义分割在自动驾驶、医疗图像识别等领域发展迅速、应用广泛。水域检测标注是为了定期监控水域、滩地、堤坝等区域情况，检查是否有堤坝缺失或水域变化异常情况的发生。水域图像会定时定点拍摄，为了实现辅助监控任务需要将传回的图像分割，并将图像中的不同类型区域区分并标明。

目前，水域分割任务的技术难点有以下几类：

所需分割类型较多且有些较为相似，画面中的元素较多，背景复杂；
拍摄高度较高，一些目标像素较小且不同类型目标大小差异巨大；
相机拍摄距离的不同会造成同一物体在图像中存在很大差距，占幅不同；
部分区域相邻的像素对应的图像信息太过相似；
图像中不同类别或实例的像素存在不均衡的问题；
拍摄条件造成的影响，如光照过曝或过暗、抖动造成的模糊等。

实现技术思路

语义分割介绍

我们知道图像是像素的集合，语义分割是对图像中属于某个类别的每个像素进行分类的过程，因此可以将其视为每个像素的分类问题。

语义分割同实例分割(InstanceSegmentation )、全景分割(Panorama Segmentation)共同组成了图像分割(Image Segmentation)。当前人类对用计算机视觉解决的最重要问题就是图像分类(Image Classification)、目标检测(Object Detection)和图像分割，按难度递增。

在传统的图像分类任务中，人们只对获取图像中存在的所有对象的标签感兴趣。在目标检测中，百分点科技尝试在边界框的帮助下了解图像中存在的所有目标以及目标所在的位置。图像分割通过尝试准确找出图像中对象的确切边界，将其提升到一个新的水平。

接下来用图例简单介绍以下它们分别是如何工作的：

（1）图像分类

识别图像中存在的内容，即图像所属类别，通常结果为一个带有概率的分类结果，一般取概率最高的类别为图像分类结果。

（2）目标检测

目标检测将物体的分类和定位合二为一，识别图像中存在的内容和检测其位置

（3）语义分割

将图像中的每个像素打上类别标签，如下图，把图像分为人（红色）、车（深蓝色）、天空（浅蓝色）、马路（深褐色）等。

（4）实例分割

目标检测和语义分割的结合，在图像中将目标检测出来，然后对每个像素打上标签，如下图，实例分割与语义分割的不同是它只将检测出的目标像素打上标签不需要将全部像素打上标签，并且语义分割不区分属于同类别的不同实例（人统一为红色，车同一为深蓝色），实例分割需要区分同类别的不同实例，为每个目标打上id标签（使用不同颜色区分不同的人和车）。

（5）全景分割

语义分割和实例分割的结合，既要将图像中的每个像素打上类别标签，又要区分出相同类别中的不同实例

需要划分出水域图像中不同类别的区域及大小（如河流、滩地、大坝区域），能够完成此任务的技术路线就是使用语义分割或实例分割，因为只有它们能够将水域图像中的每一个像素分割确定为不同类型，从而确定图像中每种类型区域的大小和位置，同时该任务又不需要区分每个类型的实例，因此最适合方案的就是使用语义分割。