【语义分割系列】一图讲解FCN16s实现过程。对照着pytorch代码讲解的。

最新推荐文章于 2024-05-04 10:05:41 发布
置顶 最新推荐文章于 2024-05-04 10:05:41 发布
阅读量2.3k 收藏 14
点赞数 2
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gbz3300255/article/details/105559912
版权

     自己的学习笔记，怕忘。哈哈 感觉非常适合新手 将理论和代码能够结合到一起看还是很舒服的。 

    看了下fcn的代码和理论。这里就以FCN16s为例讲解，16s清晰了， 8s 与32s  只是在此基础上减，加而已了。

我看的代码是一VGG16为主干网络。关键步骤的解释在下图中已标记清晰，对照其他主干网络代码看也都能看的通。

FCN16s说白了就是 将 1/32图的预测结果做反卷积（上采样双线性插值即可），变成1 /16图。然后再将1 /16图池化层结果做预测，并与前的1/32图

结果做加法。最终得到的是加强版的1/16图的预测结果，再将其反卷积获得原图大小得到最终结果。

 

这个过程是看代码才把这个图理顺清楚。所以啊，理解什么算法，最重要的还是看代码 看代码 看代码。

下面把代码贴出来一起看得了。

贴一段fcn16S的代码。

class FCN16(nn.Module):

    def __init__(self, num_classes):
        super().__init__()

        feats = list(models.vgg16(pretrained=True).features.children())
        self.feats = nn.Sequential(*feats[0:16])#卷积加池化和relu进行了三次 得到的是1 /8的池化图
        self.feat4 = nn.Sequential(*
最低0.47元/天 解锁文章
若曦爹
关注
  • 2
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
1、FCN_TensorFlow——VGG16_FCN8s构造代码分析
u013303599的博客
02-01 1万+
首先，感谢Marvin Teichmann分享的KittiSeg代码，源码见其GitHub主页 先贴一张全连接的VGG16模型，如图1：                                 图 1 1、全卷积神经网络(FCN)是在图1的基础上，将全连接层改为卷积替代并将其用于语义分割上，详情见论文《Fully Convolutional Networks for Semanti
图像分割模型性能的指标IOU与ACC
qq_44089890的博客
04-29 5331
具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，并计算它们之间的交集和并集。具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，然后计算分类正确的像素数目。具体来说，对于每个类别，我们可以计算出它们在分割结果和真实结果中的像素数目，然后计算分类正确的像素数目，最后将所有类别的像素分类正确率求平均。aAcc用于评估模型整体的分类准确率，mIoU用于评估模型在不同类别之间的性能差异，mAcc用于评估模型在像素分类方面的整体性能。
FCN网络学习笔记
记录
11-03 668
FCN网络是首个端对端的针对像素级预测的全卷积网络。
三个优秀的PyTorch实现语义分割框架
小白学视觉
05-04 80
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达转自 | 机器学习AI算法工程使用的VOC数据集链接开放在文章中，预训练模型已上传Github，环境我使用Colab pro，大家下载模型做预测即可。代码链接：https://github.com/lixiang007666/segmentation-learning-experiment-pytorch使用方法：下载VOC数...
2-图像分割之FCN
qq_40073354的博客
08-28 2961
1.FCN简介 终于来到图像分割的开山之作FCN，在FCN之前进行的图像分割，大多是根据图像的一些低阶视觉信息来进行分割，经典的方法有N-cut，Grab cut等，这些算法的优点是不需要使用算法进行训练，计算复杂度小，但是同时的，对于一些较困难的分割任务效果不太理想同时分割效率也比较低。伴随着机器学习等一系列技术的发展，图像分割也来到了一个新的时代，FCN便是其中的开山鼻祖，为往后的模型提供了基石。 FCN的一些优点可以简答概括为以下几点： 1.将原始的分类网络改编为全卷积神经网络，具体包括全连接层
FCN网络解析
m0_56192771的博客
04-12 2万+
1 FCN网络介绍 FCN（Fully Convolutional Networks，全卷积网络） 用于图像语义分割，它是首个端对端的针对像素级预测的全卷积网络，自从该网络提出后，就成为语义分割的基本框架，后续算法基本都是在该网络框架中改进而来。 对于一般的分类CNN网络，如VGG和Resnet，都会在网络的最后加入一些全连接层，经过softmax后就可以获得类别概率信息。 但是这个概率只能标识整个图片的类别，不能标识每个像素点的类别，所以这种全连接方法不适用于图像分割。 FCN对图像进行像素级的分类，与
语义分割FCN经典网络结构代码（Pytorch框架所写）
08-24
python所写的语义分割代码，采用Pytorch框架，代码完整，完美运行。
Keras 实现语义分割 FCN-16s、FCN-8s
08-15
利用 Keras 在 Jupyter notebook 中实现语义分割模型 FCN-16s, FCN-8s, 可训练自己的数据集. 具体可参考 https://blog.csdn.net/yx123919804/article/details/104811087
pytorch实现简单的FCN全卷积网络结构，用于语义分割
05-12
在PyTorch中实现FCN，不仅可以加深对语义分割任务的理解，也能熟练掌握PyTorch的基本操作。通过调整网络结构和参数，可以优化模型性能，适应不同的语义分割任务。提供的压缩包文件很可能是包含了一个简单的FCN示例...
基于 python+FCN实现语义分割
最新发布
07-11
【作品名称】：基于 python+FCN实现语义分割 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： FCN的一个pytorch简单...
FCN-pytorch-master.zip_fcn pytorch 9:9_pytorch_pytorch fcn代码_pyt
07-14
FCN的pytorch实现，实现较为简单
pytorch-fcn：完全卷积网络的PyTorch实现。 （可提供重现原始结果的训练代码。）
02-05
pytorch-fcn PyTorch实现。 要求 > = 0.2.0 > = 0.1.8 > = 6.1.5 安装 git clone https://github.com/wkentaro/pytorch-fcn.git cd pytorch-fcn pip install . # or pip install torchfcn 训练 参见。 准确性 在10fdec9 。 模型 实作 时代 迭代 平均IU 预训练模型 FCN32 -- -- 63.63 FCN32 我们的 11 96000 62.84 FCN16 -- -- 65.01 FCN16 我们的
图像语义分割网络：FCN
09-28
FCN网络发表于Long J, ShelhamerE, Darrell T. Fully convolutional networks for semantic segmentation[C]//Computer Vision and Pattern Recognition. IEEE, 2015:3431-3440。 起源于美国加州大学伯克利分校的这项工作为语义分割引入了端到端的全卷积网络，在网络结构中，重新利用ImageNet的预训练网络用于语义分割，使用了反卷积层进行上采样并且引入跳跃连接来改善上采样粗糙的像素定位。
FCN（全卷积神经网络）详解
晓野豬
09-27 7万+
文章目录简介核心思想网络结构上采样 Upsampling跳级结构CNN与FCN的区别与联系网络训练过程存在问题【参考】 简介 全卷积网络（Fully Convolutional Networks，FCN）是Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。FCN将传统CNN后面的全连接层换成了卷积层，这样网络的输出将是热力图而非类
卷积神经网络之FCN(2015)
画心
11-09 6174
文章目录FCN总结(2015)前言背景新意完全卷积网络(FCN)基本情况为什么CNN对像素级别的分类很难?如何将`全连接层`和`全卷积层`的相互转化?全连接层的权重W重塑成卷积层的滤波器有什么好处呢?怎么使反卷积的output大小和输入图片大小一致, 从而得到`pixel level prediction`?上采样(Upsampling)反卷积插值跳级(skip)结构构思其他人的工作Convnet...
全卷积（FCN）论文阅读笔记：Fully Convolutional Networks for Semantic Segmentation
Fantasy_Fly的博客
09-23 4万+
论文阅读笔记：Fully Convolutional Networks forSemantic Segmentation 这是CVPR 2015拿到best paper候选的论文。 论文下载地址：Fully Convolutional Networks forSemantic Segmentation 尊重原创，转载请注明：http://blog.csdn.net/tangwei2014
FCN全卷积网络理解及代码实现（来自pytorch官方实现）
m0_46378271的博客
06-14 1万+
FCN是首个端对端的针对像素级预测的全卷积网络 而换为卷积层之后，最后得到的是1000通道的2D图像，可以可视化为heat map图。一般说的vgg16是D： 全连接操作前后：77512（通道） 【假设忽略偏置】\color{red}{【假设忽略偏置】}【假设忽略偏置】 全连接FC1计算：计算对应某一个结点的输出，将该节点与上一层某一个结点的权重与输入对应节点数值相乘，再求和下层使用7*7的卷积核、stride=1，4096个卷积核的一个卷积层一个卷积核和FC1一个节点参数量一样\color{red}{一
pytorch实现FCN全卷积网络的语义分割（Fully Convolutional Networks for Semantic Segmentation论文简单复现）
一苇以航
12-03 1万+
以下文章图片莫名图片丢失，最新版请见：Github 欢迎star和提issue或者PR~ pytorch FCN easiest demo 这个repo是在读论文Fully Convolutional Networks for Semantic Segmentation时的一个pytorch简单复现，数据集很小，是一些随机背景上的一些包的图片（所有数据集大小一共不到80M），如下图 ...
FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation）
热门推荐
凹酱的DEEP LEARNING
05-23 29万+
论文Fully Convolutional Networks for Semantic Segmentation 是图像分割的milestone论文。理清一下我学习过程中关注的重点。fcn开源代码github下载地址https://github.com/shelhamer/fcn.berkeleyvision.org核心思想该论文包含了当下CNN的三个思潮- 不含全连接层(fc)的全卷积(fu...
使用paddle写出一个用于语义分割的FCN16s模型
05-19
好的，以下是使用PaddlePaddle实现的FCN16s模型： ```python import paddle import paddle.nn as nn class FCN16s(nn.Layer): def __init__(self, num_classes=21): super(FCN16s, self).__init__() # 第一段 self.conv1_1 = nn.Conv2D(in_channels=3, out_channels=64, kernel_size=3, padding=100) self.relu1_1 = nn.ReLU() self.conv1_2 = nn.Conv2D(in_channels=64, out_channels=64, kernel_size=3, padding=1) self.relu1_2 = nn.ReLU() self.pool1 = nn.MaxPool2D(kernel_size=2, stride=2, ceil_mode=True) # 第二段 self.conv2_1 = nn.Conv2D(in_channels=64, out_channels=128, kernel_size=3, padding=1) self.relu2_1 = nn.ReLU() self.conv2_2 = nn.Conv2D(in_channels=128, out_channels=128, kernel_size=3, padding=1) self.relu2_2 = nn.ReLU() self.pool2 = nn.MaxPool2D(kernel_size=2, stride=2, ceil_mode=True) # 第三段 self.conv3_1 = nn.Conv2D(in_channels=128, out_channels=256, kernel_size=3, padding=1) self.relu3_1 = nn.ReLU() self.conv3_2 = nn.Conv2D(in_channels=256, out_channels=256, kernel_size=3, padding=1) self.relu3_2 = nn.ReLU() self.conv3_3 = nn.Conv2D(in_channels=256, out_channels=256, kernel_size=3, padding=1) self.relu3_3 = nn.ReLU() self.pool3 = nn.MaxPool2D(kernel_size=2, stride=2, ceil_mode=True) # 第四段 self.conv4_1 = nn.Conv2D(in_channels=256, out_channels=512, kernel_size=3, padding=1) self.relu4_1 = nn.ReLU() self.conv4_2 = nn.Conv2D(in_channels=512, out_channels=512, kernel_size=3, padding=1) self.relu4_2 = nn.ReLU() self.conv4_3 = nn.Conv2D(in_channels=512, out_channels=512, kernel_size=3, padding=1) self.relu4_3 = nn.ReLU() self.pool4 = nn.MaxPool2D(kernel_size=2, stride=2, ceil_mode=True) # 第五段 self.conv5_1 = nn.Conv2D(in_channels=512, out_channels=512, kernel_size=3, padding=1) self.relu5_1 = nn.ReLU() self.conv5_2 = nn.Conv2D(in_channels=512, out_channels=512, kernel_size=3, padding=1) self.relu5_2 = nn.ReLU() self.conv5_3 = nn.Conv2D(in_channels=512, out_channels=512, kernel_size=3, padding=1) self.relu5_3 = nn.ReLU() self.pool5 = nn.MaxPool2D(kernel_size=2, stride=2, ceil_mode=True) # FCN层 self.fc6 = nn.Conv2D(in_channels=512, out_channels=4096, kernel_size=7) self.relu6 = nn.ReLU() self.drop6 = nn.Dropout(p=0.5) self.fc7 = nn.Conv2D(in_channels=4096, out_channels=4096, kernel_size=1) self.relu7 = nn.ReLU() self.drop7 = nn.Dropout(p=0.5) self.score_fr = nn.Conv2D(in_channels=4096, out_channels=num_classes, kernel_size=1) self.upscore = nn.Conv2DTranspose(in_channels=num_classes, out_channels=num_classes, kernel_size=32, stride=16, bias_attr=False) def forward(self, x): # 第一段 x = self.conv1_1(x) x = self.relu1_1(x) x = self.conv1_2(x) x = self.relu1_2(x) x = self.pool1(x) # 第二段 x = self.conv2_1(x) x = self.relu2_1(x) x = self.conv2_2(x) x = self.relu2_2(x) x = self.pool2(x) # 第三段 x = self.conv3_1(x) x = self.relu3_1(x) x = self.conv3_2(x) x = self.relu3_2(x) x = self.conv3_3(x) x = self.relu3_3(x) x = self.pool3(x) pool3_out = x # 第四段 x = self.conv4_1(x) x = self.relu4_1(x) x = self.conv4_2(x) x = self.relu4_2(x) x = self.conv4_3(x) x = self.relu4_3(x) x = self.pool4(x) pool4_out = x # 第五段 x = self.conv5_1(x) x = self.relu5_1(x) x = self.conv5_2(x) x = self.relu5_2(x) x = self.conv5_3(x) x = self.relu5_3(x) x = self.pool5(x) # FCN层 x = self.fc6(x) x = self.relu6(x) x = self.drop6(x) x = self.fc7(x) x = self.relu7(x) x = self.drop7(x) x = self.score_fr(x) x = self.upscore(x, output_size=pool4_out.shape[-2:]) pool4_out = 0.01 * pool4_out x = paddle.add(x, pool4_out) x = self.upscore(x, output_size=pool3_out.shape[-2:]) pool3_out = 0.0001 * pool3_out x = paddle.add(x, pool3_out) x = self.upscore(x, output_size=x.shape[-2:]) return x ``` 这里使用了PaddlePaddle的`nn`模块实现了FCN16s模型。在forward方法中，我们按照FCN16s网络结构的方式依次进行了前向计算。其中，我们使用了反卷积（`Conv2DTranspose`）对特征图进行上采样，并使用了跳跃连接（skip connection）将浅层特征和深层特征结合起来进行分割任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值