语义分割
coder_mckee
暂无
展开
-
语义分割之SegNet个人总结
1. 网络结构 SegNet采用的是对称式的结构,同时引入了BN层(相比于FCN)。 encoder即pooling,decoder即upsample。 SegNet的核心在于其上采样的方法(decoder部分)。 FCN是利用双线性插值初始化的反卷积进行上采样。而SegNet则是在每次pooling时,都存下最大值的位置,在upsample时将input值直接赋给相应的位置,其他位置的值置零...原创 2018-10-11 16:12:54 · 2646 阅读 · 0 评论 -
语义分割之FCN个人总结
一、网络结构 FCN涉及到了不同尺度的feature map的融合。 融合理由是:低层特征具有较多的的分辨率信息,更加精细,但语义信息较弱。高层特征具有较多语义信息,然而较粗糙,分辨率信息不足。为了融合语义信息和细节信息,对高层的feature map进行反卷积,然后将低层的feature map crop成相同尺寸,最后进行像素级的相加。 最后,从pool3处融合输出的feature map...原创 2018-10-05 17:35:45 · 952 阅读 · 0 评论 -
语义分割之U-net个人总结
1. 网络结构 U-net的特点在于,通过将下采样时feature map和上采样(反卷积)时feature map进行concat,来融合位置信息和语义信息。 图中,input是一张单通道图片,最后output之前,通道数2表示num_classes=2. 同时,图中的crop: 最后复现时我看到的更多的是直接concat。 2. 示例代码 代码来源于互联网。和图片中略微有所出入,不过更适合应...原创 2018-10-13 20:36:56 · 2247 阅读 · 0 评论 -
语义分割之RefineNet个人总结
1. Architecture RefineNet是ResNet + 金字塔 的结合体。 ResNet残差块可以让网络变的很深。 金字塔则是用于Refine。 high-level feature map语义信息较强,但更粗糙。而low-level feature map则具有更好的fine-grained特征。 于是利用金字塔不断的融合这两种特征。 整个网络从大体上和之前的语义分割一样,都是从...原创 2018-10-25 15:29:03 · 2054 阅读 · 0 评论 -
语义分割之PSPNet个人总结
1. Architecture 作者想解决的问题有: (1) 由于没有理解上下文语义关系导致类的错分,如水上的船被错分为car,而事实是car一般不在水上。 (2) 相似类的混淆: 如 摩天大楼、building、wall。 (3) 不显眼的类的划分,如路灯。 作者认为想解决这三个问题,在于要利用不同感受野的信息,并且要理解上下文语义关系。 于是作者致敬SPPNet,也采用了多尺度池化。 主要核...原创 2018-10-25 23:39:17 · 3407 阅读 · 0 评论