Fully Convolutional Networks for Semantic Segmentation 論文鏈接

一、文章創(chuàng)新點

這篇文章在結構上將卷積神經(jīng)網(wǎng)絡最后幾層的全連接層用卷積層替代。

為了用在語義分割任務重，對于卷積后得到的結果上采樣到原圖的大小。在上采樣的過程中，不僅僅是上采樣最后一層pool5層，得到FCN-32s（特征圖長寬擴大32倍，與原圖大小相同。基于AlexNet），而且還對pool4層接1x1的卷積，融合pool5層上采樣2x的結果，得到stride 16 prediction。stride 16 prediction再上采樣得到FCN-16s.

2x上采樣的參數(shù)通過線性差值初始化，但是這些參數(shù)是可學習的。
使用與FCN-16s同樣的方法，得到FCN-8s。

這種網(wǎng)絡的優(yōu)點：

全部使用卷積層，網(wǎng)絡可以接受任意尺寸大小的輸入圖像

深層的特征圖信息決定是什么，淺層的特征圖可以獲得更精細位置信息（淺層的感受野小，局部信息；深層的感受野大，全局信息）

二、網(wǎng)絡結構

全卷積神經(jīng)網(wǎng)絡的結構

全卷積網(wǎng)絡用于語義分割

用卷積層代替全連接層

評價標準
評價標準參考

$n_{ij}$實際為第$i$類，但是預測為第$j$類的數(shù)量
$t_i$第$i$類像素點的數(shù)目
pixel accuracy: 所有像素點的正確率
mean accuracy: 每個類別像素點的正確率
mean IU: 類似于mean IOU的概率，label和prediction不再是矩形，而是不規(guī)則的形狀。
${\Sigma }_j{n}_{ji}$:預測為第$i$類的所有像素點的個數(shù)

Patchwise training介于image training和pixel training之間的訓練，即在語義分割任務中，將從原圖片中隨機crop多個子圖進行訓練

mean IU 類似于mean IoU的概念

轉置卷積
轉置卷積計算過程
深度學習中的轉置卷積
轉置卷積

總結

以上是生活随笔為你收集整理的全卷积神经网络的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。