1.最近鄰差值（Neareast Neighbor Interpolation）
插值算法 ｜ 最近鄰插值法_嗶哩嗶哩_bilibili
上圖中最后一行，第一個圖像，因為目標像素（放大后，位于第1行第0列的像素）距離它最近的原圖的像素的像素值為1，因此該目標像素取值為1。
把原圖分別進行 上采樣
方式1：最近鄰插值
方式2：雙線性插值
肉眼觀看，方式2效果更好，沒有鋸齒狀，更平滑
雖然在上采樣階段，? 使用雙線性插值可以得到比最近鄰差值效果更好的 圖片，但是對于語義分割任務并不合適。
語義分割任務只能使用最近鄰插值，因為其標注時 將目標對應像素點的值賦值為1，背景賦值為0， 邊緣賦值為255，?當通過數據增強進行圖片縮放時，使用最近鄰插值? ，得到的新圖像的語義標簽中像素值只包含 0,1,255，? ?這個三個數值對語義分割網絡訓練具有意義， 其他數字沒有意義。
當使用雙線性插值，會導致語義標簽圖像中出現? 如? ?111,126等數字，這些數字沒有意義，對網絡訓練沒有用處。
個人
疑惑：對于實例實例分割，可以使用雙線性插值嗎？?
語義分割網絡訓練時，? 可能進行圖像縮放這一數據增強方法，因此只能使用 最近鄰差值 防止語義標簽出現? 非規定中的數字。?
但是對于實例實例分割，可以使用雙線性插值嗎？?
最近使用YOLO-SEG， 發現將最近鄰插值替換為 雙線性插值， 精度有些提升。
2.雙線性插值（bilinear? interpolation）
插值算法 ｜雙線性插值法_嗶哩嗶哩_bilibili
將源圖像t0進行上采樣， 使用雙線性插值， 首先：需要將放大的圖像（t1）等比例縮小為源圖像尺寸t3。
?
縮放為源圖像尺寸大小，需要進行對齊，有兩種對齊方式：
1.角對齊：需要將?t3與t0的網格中心點對齊， 這種需要t1縮小的尺度更大
2.邊對齊，需要將t3與t0的邊對齊，這種需要t1縮小的尺度比角對齊小一些
具體可以見pytorch官網的說明
該鏈接的內容
注意：像素值分別為v1,v2,v3,v4
?代碼示例
角對齊
邊對齊
角對齊
上述兩段代碼。第一個自已編寫， 第二個是調用函數庫
注意：這里以最左上角像素點的中心點的坐標作為原點坐標（0,0），而不是邊界框的角點
邊對齊
使用pytorch函數
?
3.雙三次插值算法（Bicubic）
雙： X,Y兩個方向
三次：計算目標像素點周圍像素權重時，使用三次項公式計算周圍權重
?
與上述兩種插值方法? 初始步驟相同，將放大的圖像t1進行縮小，縮小為源圖像t0尺度t2，然后對照源圖像，計算目標像素點
上圖中， 發現t2的一個像素點在t0中，剛好位于t0中四個像素點之間的中心
?
雙三次插值，取周圍16個像素點的值進行計算
上圖：
第一行表示 一維插值
第二行：二維差值，彩色點表示原圖像素點，彩色點的高低表示該像素點的像素值，黑色點表示放大圖像中的像素點，其高低表示所計算的采樣值。
x只能表示 X或Y一個方向的距離
因此需要計算兩次權重，分別表示X,Y方向
上圖：右邊第一個小圖，
藍色點（目標點）與源圖像素的一個紅點重合， X,Y方向距離均為0， 則該源圖的像素點在X或Y方向的對應的權重為1，
右邊第二個小圖，藍色點（目標點）與源圖像素的一個紅點在X,Y距離上均為1，?則該源圖的像素點在X或Y方向的對應的權重為0
因此：參考上圖的曲線圖
在X方向距離為0，則在X方向取得權重為1；
在X方向距離為1，則在X方向取得權重為0；
在X方向距離為2，則在X方向取得權重為0；
根據距離的不同（0.5,1.5等）分別選擇權重計算公式W(x)的三個不同分段函數
?
將在X,Y方向? ?計算出的16個值相加得到3.5?
使用個人編寫程序， 以及pytorch 程序進行驗證?
4.IoU與NMS
NMS 非極大值抑制 ｜ IoU 交并比_嗶哩嗶哩_bilibili?
?待看
。。。
參考資料
1.插值算法 ｜ 最近鄰插值法_嗶哩嗶哩_bilibili
