1.语义分割网络-FCN

目录

一 FCN的网络结构

二 对网络结构的说明

三 内容介绍

1.主要贡献

2.FCN说明

3.算法结果

4.评价

四 FCN相关的网络资源

---

一 FCN的网络结构

二 对网络结构的说明

将CNN中的全连接层换成了反卷积层从而得到预测结果。

 

三 内容介绍

1.主要贡献

• 将end-to-end的卷积网络应用于语义分割
• 将imageNet预训练的模型改变用途用于分割
• 用反卷积层来做上采样
• 引入了skip-connections 来提升上采样的精度

2.FCN说明

FCN对CNN的全连接层有了更深的认识，认为全连接层可以被看作是kernels 覆盖整个输入区域的卷积。这相当于是在重叠的输入patch上评价原始分类网络(VGG,GoogleNet...),但由于计算是在重叠的patch区域上进行共享的，因此效率要高得多。尽管这一观察结果并非本文所独有，但是它明显的提高了分割的准确率。

在像VGG这样的imagenet预训练网络中对全连接层进行卷积之后，由于CNNs中的池操作，特征图仍然需要上采样。这里用到了反卷积层（而不是双线性插值上采样），反卷积可以学习到插值。

然而，上采样后（即便是用反卷积）产生了粗糙的分割图（由于polling的时候会丢失信息）。因此 shortcut/skip connection被高分辨率的特征图所引入/

3.算法结果

4.评价

FCN在语义分割方面是一个重要的贡献，但目前的算法已经比它提高了很多。

四 FCN相关的网络资源

FCN介绍：http://imgtec.eetrend.com/d6-imgtec/blog/2018-09/17954.html

文章中说polling每次都会减少2 是不妥的，polling后的尺寸跟stride 有关

 

FCN中反卷积的说明：https://www.zhihu.com/question/50349594

这里是将卷积的参数C 转置之后，作用于输入矩阵，从而生成输出矩阵的方法，因此也叫转置卷积

 

对应于tensorflow的API :tf.conv2d_transpose()

对该API的说明：https://blog.csdn.net/mieleizhi0522/article/details/80441571

 

FCN的实现：https://github.com/aurora95/Keras-FCN