Fully Convolutional Networks for Semantic Segmentation 論文鏈接

一、文章創新點

這篇文章在結構上將卷積神經網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上采樣的參數通過線性差值初始化，但是這些參數是可學習的。
使用與FCN-16s同樣的方法，得到FCN-8s。

這種網絡的優點：

全部使用卷積層，網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、網絡結構

全卷積神經網絡的結構

全卷積網絡用于語義分割

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$j$類的數量
$t_i$第$i$類像素點的數目
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，而是不規則的形狀。
${\Sigma }_j{n}_{ji}$:預測為第$i$類的所有像素點的個數

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站內容還不錯，歡迎將生活随笔推薦給好友。