模型汇总---分类、检测、分割

轻量级网络--MobileNet论文解读_DFan的NoteBook-CSDN博客_mobilenet论文

轻量级模型：MobileNet V2_小麦草的博客-CSDN博客_mobilenetv2

目标检测

目标检测网络CenterNet详解(四) - silence_cho - 博客园

分割

综述

一篇看完就懂的最新语义分割综述 - 知乎

FCN UNet

图像语义分割入门+FCN/U-Net网络解析 - 知乎

缺点：

在这里我们要注意的是FCN的缺点：

1. 是得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。
2. 是对各个像素进行分类，没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。

ParseNet

【图像分割模型】全局特征与局部特征的交响曲—ParseNet - 知乎

OCRNet

【语义分割】——读源码、论文理解OCRNet_农夫山泉2号的博客-CSDN博客_ocrnet

segnet

【paper阅读笔记】SegNet - 知乎

SegNet的优点包括：1）改善边界轮廓；2）参数数量减少，优化了算法空间复杂度；3）能够端到端地训练；4）这种上采样形式只需稍微修改一下就能被任意encoder-decoder架构的网络采用；

PSPNet

Pyramid Scene Parsing Network - 知乎

What:PsPNet主要是通过金字塔池化提取多尺度信息。按论文的描述:更好的提取全局上下文信息，同时利用局部和全局信息,使得场景识别更加可靠。（从技术的角度来说，我觉得就是从不同的视野去寻找特征，类似放大镜放大，放大倍数大，视野小，物体清楚，但是看不清物体之间的关系；放大倍数小，视野大，物体模糊，但是可以看清楚物体之间的关系。）除此之外，文章还通过Ablation study （类似控制变量法，移除一个结构，研究这个结构的影响）研究金字塔多尺度池化，池化的方式，辅助损失函数，预训练模型的作用。

Why:PsPNet提出的原因，可以总结为一句话：获取全局环境信息，利用全局信息和局部信息获得更加可靠地结果。怎么做到的？提取多尺度信息。为什么提取多尺度信息可以获取全局环境信息？经验总结。

RefineNet

语义分割之RefineNet - 知乎

DeepLab V1

精读深度学习论文(20) DeepLab V1 - 知乎

• 要解决什么问题？
  • 使用CNN解决图像分割问题是，主要存在两个问题：

1. 下采样(downsampling，如max pooling)导致的细节信息丢失。
2. CNN的空间不变性（spatial insensitivity/invariance）。

• 用了什么方法解决？

• 使用带孔卷积解决下采样问题。
• 使用Dense CRF解决空间不变形问题。

• 效果如何？

• 在VOC2012上获得了当时的最优性能，在测试集上达到71.6%的IOU。
• 同时，运行效率达到8 frames per second。

• 还存在什么问题？

• 基于VGG提取特征，有些落后（从现在的角度看）。
• 从目前来看，效果一般。