前言

图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。近些年来随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，该技术相关的场景物体分割、人体前背景分割、人脸人体Parsing、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。

为了帮助初学者解决入门项目实践的问题，有三AI推出《深度学习之图像分割-理论实践篇》课程，让你以最短的时间掌握深度学习图像分割的项目实践基础知识并进行代码实践。

课程介绍

课程会包含所有图像分割相关的内容，当前已经上线的包含语义分割和实例分割两部分，总共时长大约12小时：

(1) 语义分割内容包括：

传统图像分割方法、深度学习图像分割方法、分割后处理技术、语义分割实战等

(2) 实例分割内容包含：

实例分割简介、自上而下方法、自下而上方法、faster-RCNN及Mask R-CNN原理解析、分割实战等

课程采用理论加Pytorch实战的方式进行讲解，在代码实战阶段，课程还会提供实战所需的代码和数据集，并且会对代码进行逐行讲解，让你对代码有个深刻的理解。

课程大纲

课程配以“基于Pytorch的表面缺陷语义分割实战”及“基于Pytorch的实例分割实战”两大实战项目。

随着“智能制造2025”的持续发展，工业界面临着诸多诉求，表面缺陷检测便是其中非常火热的研究内容，实际落地需求较大。因此，项目1主要针对钢、磁铁、布匹等表面缺陷进行语义分割，在详实的讲解和演示过程中，带你走进语义分割领域，帮助你了解如何提升分割的性能以及相关技巧。

相较于语义分割的研究，学术界以及工业界均提出了更新更具有难度的任务——实例分割，即不仅需要判别每个类别，还需要区分出每个类别下的不同个体。项目2则以MS COCO数据集为依托，利用Mask RCNN进行实例分割的相关实战，带领大家明白如何从语义分割走向更高层级的实例任务，以及二者的区别和联系。

讲师介绍