在VGG网络中dense evaluation 与multi-crop evaluation两种预测方法的区别以及效果

【时间】2018.09.24

【题目】在VGG网络中dense evaluation 与multi-crop evaluation两种预测方法的区别以及效果 

【预测方式】：论文中考虑了两种预测方式：

• 方法1: multi-crop，即对图像进行多样本的随机裁剪，然后通过网络预测每一个样本的结构，最终对所有结果平均
• 方法2: densely， 利用FCN的思想，将原图直接送到网络进行预测，将最后的全连接层改为1x1的卷积，这样最后可以得出一个预测的score map，再对结果求平均

【上述两种方法分析】：

• Szegedy et al.在2014年得出multi-crops相对于FCN效果要好
• multi-crops相当于对于dense evaluatio的补充，原因在于，两者在边界的处理方式不同：multi-crop相当于padding补充0值，而dense evaluation相当于padding补充了相邻的像素值，并且增大了感受野
• multi-crop存在重复计算带来的效率的问题