CNN應(yīng)用之基于FCN的圖像語(yǔ)義分割 原文地址：http://blog.csdn.net/hjimce/article/details/50268555 作者：hjimce 一、相關(guān)理論 ? ? 本篇博文主要講解2015年的一篇圖像語(yǔ)義分割的paper：《Fully Convolutional Networks for Semantic Segmentation》，這篇文獻(xiàn)可以說(shuō)是利用深度學(xué)習(xí)搞圖像分割的開(kāi)山之作，貌似獲得了2015 年CVPR的best paper 獎(jiǎng)，具體不是很清楚，只知道很牛逼的一篇文章，搞圖像分割必學(xué)的文章。僅僅一年的時(shí)間，引用量非常高。感覺(jué)這篇文獻(xiàn)的算法，比較難，如果你以前沒(méi)有學(xué)過(guò)反卷網(wǎng)絡(luò)，也沒(méi)有接觸過(guò)Fully Convolutional Networks這個(gè)概念，更沒(méi)有接觸過(guò)mutil-scale CNN網(wǎng)絡(luò)，那么看這篇文獻(xiàn)，會(huì)比較累。 ? ? 因?yàn)檫@篇文獻(xiàn)的創(chuàng)新點(diǎn)很多，所以我們學(xué)起來(lái)會(huì)比較費(fèi)勁，請(qǐng)容我細(xì)細(xì)道來(lái)……
未完待續(xù)，敬請(qǐng)期待……

Fully?convolutional?networks

利用深度學(xué)習(xí)，進(jìn)行語(yǔ)義分割的開(kāi)山之作，具有非常高的引用率，所以如果搞到深度學(xué)習(xí)，圖像分割就會(huì)遇到這個(gè)經(jīng)典算法。

對(duì)于卷積神經(jīng)網(wǎng)絡(luò)的每一層的數(shù)據(jù)，其是一個(gè)h*w*d大小的三維矩陣，其中h和w表示本層特征圖的大小，d表示特征圖的個(gè)數(shù)或者可理解為圖片通道數(shù)。我們知道對(duì)于網(wǎng)絡(luò)的輸入層，如果是3通道的彩色圖片，就相當(dāng)于輸入層是3個(gè)feature?map。卷積神經(jīng)網(wǎng)絡(luò)具有平移不變性，我們知道，假設(shè)卷積神經(jīng)網(wǎng)絡(luò)的某一層的數(shù)據(jù)為X，假設(shè)(i,j)坐標(biāo)的數(shù)據(jù)為Xij，那么下一層數(shù)據(jù)的計(jì)算公式就是：

?

其中k就是卷積核大小，s就是跨步大小。fks可以表示卷積、池化、非線性激活函數(shù)等運(yùn)算。

在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中，我們要求輸入的圖片是固定大小的圖片，那是因?yàn)槲覀冊(cè)诰W(wǎng)絡(luò)的最后幾層有個(gè)全連接層，在這個(gè)全連接層里，輸入和輸出的大小是固定的，也就是參數(shù)的個(gè)數(shù)是固定的。我們也可以把從卷積層到全連接層，看成是對(duì)整張feature?map進(jìn)行卷積，關(guān)于FCN的概念，可以去好好解讀下Overfeat，

總結(jié)

以上是生活随笔為你收集整理的深度学习（二十一）基于FCN的图像语义分割-CVPR 2015-未完待续的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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