15+城市道路要素分割应用，用这一个分割模型就够了
本文已在飞桨公众号发布，查看请戳链接：
图像语义分割在计算机视觉中是一个经典且具有挑战性的任务。它旨在提供详细的像素级图像分类，相当于为每个像素分配语义标签。该技术目前被广泛应用于城市安防、路况判断等系统领域，比如地图导航的应用是通过分割识别建筑物、墙体、路面状况等道路要素，从而更准确地捕捉路面关键信息。
为了让大家能够更快速地上手技术，百度视觉技术部基于飞桨图像分割开发套件提供了一套完整的城市街景道路要素分割产业实践范例，提供了从数据准备、模型训练及优化的全流程方案，降低产业落地门槛。这个项目中我们需要把19项关键目标分割出来，那么我们具体的方案思路是什么呢？
图1 分割示例
⭐点击GET项目链接⭐
所有源码及教程均已开源，欢迎大家使用。
项目难点
目标复杂
样本不均衡
模型选择
主流的语义分割方案包括如下几个系列：
由于分割目标较复杂，我们选取了精度表现较好的HRNet系列中 模型进行后续实验，它SOTA的mIoU达到了87%。相比于HRNet网络结构，它是在分割后的结果上计算每个像素与图像其他像素的一个关系权重，与原特征进行一个叠加构成网络，再基于进行分层多尺度训练形成最终的 ，多尺度训练与推理方式如下图所示。
图2 方案
算法优化
为了进一步提升精度，解决样本不均衡的问题，我们提供了以下优化思路：
使用工具
本项目使用开发完成。是基于飞桨开发的端到端图像分割开发套件，涵盖了高精度和轻量级等不同方向的大量高质量分割模型。通过模块化的设计，提供了配置化驱动和API调用两种应用方式，帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。提供语义分割、交互式分割、全景分割、四大图像分割能力。
模型部署
使用飞桨原生推理库 ，用于服务端模型部署，总体上分为三步：
1. 创建，设置所导出的模型路径；
2. 创建输入用的，传入到中；
3. 获取输出的，将结果取出。
如果想了解更详细方案细节，欢迎关注我们的直播课程，手把手全流程教学等着你哦。
精彩课程预告
为了让小伙伴们更便捷地应用范例教程，百度高级研发工程师将于6月23日（周四）20:00点为大家深度解析从数据准备、方案设计到模型优化部署的开发全流程，手把手教大家进行代码实践。
