[论文笔记]DeconvNet语义分割

《2015_Noh_Cite=4488_Learning deconvolution network for semantic segmentation》

铺垫和引入

encoder使用VGG-16的卷积层进行学习，decoder使用反卷积deconv和反池化unpool进行上采样。

将object proposal候选域推荐（edge box画方框）送入训练后的网络，整幅图像是这些proposal分割结果的组合，这样就可以解决物体太大或者太小所带来的分割问题，改进了现存基于FCN的方法

        但是这样做需要人为干预，网络从全自动变成半自动的，我们其实不推荐这样改。

FCN的critical limitations

1. 感受野大小固定predefined fixed-size receptive field。——The object that is substantially larger or smaller than the receptive field may be fragmented支离破碎的-割开 or mislabeled
   1. （1）有的太大的物体，我的感受野如果没那么大的话，会导致分割错误，因为我们没有把整个大物体都看全，我就会认为整个大物体是由两个小物体组成的（意思就是你把 一个东西给割成了两个物体），从而造成错分。大的object只会用到局部信息Label prediction is done with only local information for large objects and相同标签的object可能会被赋上不同的标签 the pixels that belong to the same object may have inconsistent不同的-不一致的 label。你可以看原文提供的下图，你的感受野比较小，object很大，图中好几个小物体识别不出来，train bycycle persion各自的像素点都被label成了bus
   2. （2）尺度太小的物体，由于我的感受 野是 比较大的，看到的物体的背景信息和其他信息比较多，进而影响我对这个小物体的判断，我很容易把这些小物体当做background。Small objects are often ignored and classified as background.图中这些人太小了，FCN误把他们当做background上的几个纹理了，没识别出来。