paddle图像分割7日打卡心得

最新推荐文章于 2021-04-18 17:07:17 发布

qiqixiwanzi

最新推荐文章于 2021-04-18 17:07:17 发布

阅读量179

点赞数

本文链接：https://blog.csdn.net/qiqixiwanzi/article/details/109280481

版权

本文分享了作者参加Paddle图像分割7日打卡活动的心得体会，从基础概念到全卷积网络、U-Net、PSPNet模型，再到DeepLab系列网络的实践，涵盖了图像分割的多种类型和应用场景。通过学习，作者不仅对图像分割有了深入理解，还掌握了模型搭建、训练和调试技巧。

摘要由CSDN通过智能技术生成

Paddle图像分割7日打卡心得

非常感谢百度Paddle这次的课程，让我对于图像分割有了初步的了解。刚开始报名的时候，以为是一个实践式的课程，开始上课才发现是一个理论为主加代码实践的课程（朱老师的直播代码水平确实很强^_）。本来以为可以轻松的状态学习下来，没想到学起来是很懵很充实的，找到了久违的学习感觉。

卷积层(convolution layer): 执行卷积操作提取底层到高层的特征，发掘出图片局部关联性质和空间不变性质。
池化层(pooling layer):执行降采样操作。通过取卷积输出特征图中局部区块的最大值(max-pooling)或者均值(avg-pooling)。降采样也是图像处理中常见的一种操作，可以过滤掉一些不重要的高频信息。
全连接层(fully-connected layer，或者fc layer): 输入层到隐藏层的神经元是全部连接的。
非线性变化:卷积层、全连接层后面一般都会接非线性变化函数，例如Sigmoid、Tanh、ReLu等来增强网络的表达能力，在CNN里最常使用的为ReLu激活函数。
Dropout: 在模型训练阶段随机让一些隐层节点权重不工作，提高网络的泛化能力，一定程度上防止过拟合。

关注