论文解读：Fully Convolutional Networks for Semantic Segmentation

最新推荐文章于 2024-01-18 22:59:32 发布

FireWood_S

最新推荐文章于 2024-01-18 22:59:32 发布

阅读量2k

点赞数

分类专栏：医学图像分割论文解读分享文章标签：算法计算机视觉

本文链接：https://blog.csdn.net/qq_28144095/article/details/117463432

版权

本文深入解读了 Fully Convolutional Networks（FCN）在语义分割领域的应用，阐述了如何从分类网络转型为分割网络，探讨了跳接结构、反卷积层的作用，并通过实验分析证明了FCN在像素级预测任务中的优越性，特别是在PASCAL VOC和NYUDv2等数据集上的优秀表现。

摘要由CSDN通过智能技术生成

1. 构建一个全卷积网络，首个支持端到端像素级训练的网络，网络的输入为任意尺寸，输出为等大图像。
2. 在空间密集型预测任务中解释了其应用。
3. 定义跳接结构，结合深层的语义信息和浅层的表征信息产生精准的分割结果

卷积神经网络已经有力推动了识别任务进展，在图像整体分类、结构化输出局部任务取得了明显进展。下一步自然是想获得产生细致的预测，即对每个像素点进行预测。
先前的工作都是对封闭对象或区域分类，分类结果作为目标中每一个像素的标记。这是他们的缺点，也是我们的工作要解决的问题。

语义分割面对着语义与位置之间的矛盾：全局信息和局部信息分别解决了什么。
针对这个问题，提出跳接思想。

3.1 先使用分类网络训练，再将其全连接层改为卷积层进行学习
在这里插入图片描述

关注