bbbeoy的专栏

PixelShuffle是目前通用上采样upsample技术中性能最好的。PixelShuffle现已广泛应用在如图像分割等计算机视觉问题上，和。一起成为了神经网络中最常用的两种上采样技术。

转载

转置卷积中的棋盘效应_CtrlZ1的博客-CSDN博客_棋盘效应的原因

https://blog.csdn.net/ywcpig/article/details/79792399

深入理解深度学习分割网络Ｕnet——U-Net: Convolutional Networks for Biomedical Image Segmentationhttps://blog.csdn.net/Formlsl/article/details/80373200Mask RCNN笔记https://blog.csdn.net/xiamentingtao/article/det...

https://blog.csdn.net/gqixf/article/details/82911220https://blog.csdn.net/u011974639/article/details/78985130https://blog.csdn.net/qq_18293213/article/details/79882890https://blog.csdn.net/linwa...

https://blog.csdn.net/ming0808sun/article/details/78843471-------------------------------------------------------------------------------------------------------------■ 论文 | Encoder-Decoder with A...

https://blog.csdn.net/weixin_40859436/article/details/80500818

https://blog.csdn.net/jzrita/article/details/72639969

https://blog.csdn.net/weixin_40344862/article/details/79645875

https://blog.csdn.net/zhuzemin45/article/details/79709874

https://blog.csdn.net/zhuzemin45/article/details/79709874

https://blog.csdn.net/silence2015/article/details/79748729

bilinear双线性插值是目前在语义分割中用的比较多的一种方式，比如FCN中就是用的这种方法。 这种方法特点是不需要进行学习，运行速度快，操作简单。只需要设置好固定的参数值即可，设置的参数就是中心值需要乘以的系数。 一个简单的例子可以参考如下(来自互联网)： 具体的实现方式，可以直接参考fcn.berkerlyvision.org中的surgery.py如下：def upsampl...

全连接层的作用毫无疑问，就是将卷积提取的特征映射到每一类，从来方便损失函数打分。那么为什么要将全连接层转换为卷积层呢？有一篇论文《Fully Convolutional Networks for Semantic Segmentation》简称FCN讲的很清楚了，当时主要是为了解决特定物体分类的问题。也就是说，之前的CNN可以对整幅图片分类，但是如果图片中有多个class的object应该如何...