SegNet语义分割网络

SegNet：基于FCN，修改VGG-16网络得到的

正常版SegNet；贝叶斯版SegNet（还根据网络的深度提供了一个basic segnet浅网络）

1.SegNet原始网络模型

对称网络

Encoder：

卷积提取高维特征(same卷积，卷积后不改变图片大小)，并通过pooling下采样使图片变小(得到低分辨率的特征图)

Decoder：

反卷积使得图像分类后特征重现(为了丰富信息；是普通的卷积操作，同上)+upsampling上采样使图像变大(得到高分辨率的特征图)

Softmax：

输出不同分类的最大值

1.1Pooling下采样

下采样获得最大值，和相应的位置索引

SegNet中的Pooling多一个index功能，每次Pooling，都会保存通过max选出的权值在2x2 filter中的相对位置，e.g.6在粉色2x2 filter中的位置是(1,1)，黄色的3的index是(0,0)

pooling后的pool indices输出到对应的upsampling

1.2Upsampling上采样

Pooling后，每个filter丢失3个权重，并且这些权重无法复原

Upsampling先把输入的特征图放大两倍，然后把输入特征图的数据根据Pooling indices保存的位置放入到对应的索引位置

除了被记住位置的pooling indices，其他位置权值是0：通过反卷积，学习缺失的内容

1.3Output

最后一个卷积层输出所有的类别（包括other类），softmax求出每个像素在所有类别中概率最大的一个，作为该像素的label，最终完成图像像素级别的分类

2.贝叶斯SegNet

先验概率：由原因到结果的推导（缺点：不知道结果的可靠性）

后验概率：从结果寻找原因的贝叶斯概率，可以给出结果的可信程度，即置信度

与SegNet区别：只在卷积层多加了DropOut层

DropOut层：只激活部分神经元，结果是这次迭代的向前和向后传播只有部分权值得到学习，即改变权值。防止权值过度拟合，增强学习能力。

参考链接：http://t.csdnimg.cn/qmKWr

http://t.csdnimg.cn/29Nf8