设置语义掩码
一种常见的全景分割方法是将语义分割与实例分割的输出进行合并。请看下面这张纽约街景图片。
您的任务是对其进行全景分割：将每辆出租车识别为独立的对象，同时区分柏油路与建筑物这两类背景。
为此，您将先使用一个预训练的 U-Net（已作为 UNet() 提供）生成语义掩码。理想情况下，它能区分这两种背景类型（但不会区分具体的每辆出租车）。
本练习是课程的一部分
使用 PyTorch 进行图像深度学习
练习说明
- 将 U-Net 模型实例化为
model。 - 将输入图像张量传入模型，得到
semantic_masks。 - 通过为每个像素选择概率最高的类别，创建单一语义掩码。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Instantiate the model
model = ____
# Produce semantic masks for the input image
with torch.no_grad():
semantic_masks = ____
# Choose highest-probability class for each pixel
semantic_mask = ____(____, ____)
# Display the mask
plt.imshow(semantic_mask.squeeze(0))
plt.axis("off")
plt.show()