语义分割
文章平均质量分 71
仅用于记录自己学习过程
Shashank497
我要找到你,不管南北东西
展开
-
UNet、UNet++、UNet3+系列
一、unet简介继承FCN的思想,继续进行改进。但是相对于FCN,有几个改变的地方,U-Net是完全对称的,且对解码器(应该自Hinton提出编码器、解码器的概念来,即将图像->高语义feature map的过程看成编码器,高语义->像素级别的分类score map的过程看作解码器)进行了加卷积加深处理,FCN只是单纯的进行了上采样。Skip connection:两者都用了这样的结构,虽然在现在看来这样的做法比较常见,但是对于当时,这样的结构所带来的明显好处是有目共睹的,因为可以联合高原创 2021-12-29 22:12:23 · 9253 阅读 · 0 评论 -
deeplab V1 V2 V3 V3+系列
一、Deeplab v11、引言2、亮点3、细节作用是保证效果不下降的情况下,降低参数和加快速度,否定了fcn的7*7卷积,会成为计算瓶颈。二、Deeplab v21、引言2、亮点3、细节四个采用不同膨胀系数的膨胀卷积,这样每个分支的感受野大小就是不一样的,从而具备解决多 尺度问题。使用vgg时才有后面两层全卷积层,使用resnet的话就不用。把输入图片分别缩放到0.5,0.75,1倍输入网络,将得到的三个score maps进行融合,对每一个pixel取最大原创 2021-12-21 18:56:47 · 10040 阅读 · 0 评论 -
FCN网络
1、引言2015年发表在cvpr的首个端对端的针对像素级预测的全卷积网络2、效果个人使用fcn8s-resnet50作为backbone,且使用coco数据集的预训练权重,在pascal voc 2012的mean iou为70%左右。3、细节全连接层的输入节点个数是固定的,所以分类网络的输入图像尺寸是固定的(在此之后可以使用全局平均池化层),所以作者把全连接层的权重转化为卷积层中。convlization详细理解:【参考】b站:霹雳吧啦Wz...原创 2021-12-21 16:05:33 · 217 阅读 · 0 评论 -
Mask R-CNN实例分割算法 学习记录
一、导入目标检测(用框线框出来):缺点是可以区分个体,但不够精确语义分割(标出属于猫的像素点):缺点是可以划分像素点但不可以区分个体综合两者优点的算法:Mask R-CNN实例分割算法该算法简介:相对于Faster RCNN利用特征金字塔增加了一些公用特征层,并在最后获得预测结果后,增加了一个语义分割模型用于进行语义分割。二、算法流程Mask-RCNN使用Resnet101作为主干特征提取网络,对应着图像中的CNN部分,其对输入进来的图片有尺寸要求,需要可以整除2的6次方。在进行特征提取后原创 2020-12-05 18:08:03 · 906 阅读 · 0 评论