语义分割—对FCN、U-Net、SegNet的一点理解

最新推荐文章于 2024-07-11 11:02:34 发布
最新推荐文章于 2024-07-11 11:02:34 发布
阅读量6.5k 收藏 31
点赞数 3
分类专栏： 人像分割与Matting 文章标签： 语义分割 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34606546/article/details/89434487
版权
本文介绍了语义分割领域的三种经典方法：FCN、U-Net和SegNet。FCN通过全卷积网络实现特征图上采样，但细节恢复不足；U-Net采用特征拼接增强信息；SegNet利用池化索引恢复边缘信息，降低存储需求。这些方法展示了如何从特征图中恢复图像细节，为每个像素分类。
摘要由CSDN通过智能技术生成

语义分割—对FCN、U-Net、SegNet的一点理解

最近在看语义分割的论文，有很多高级的方法，今天再回味了一下语义分割元老级的一些方法，在这里只写大概的理解，详细内容还是建议看论文

FCN

FCN是元老，提出了全卷积网络，将原本网络顶层的全连接结构用卷积结构代替。这样就将原本输出的一维向量改为二维特征图的形式，保存了二维信息。实现语义分割还需将特征图上采样到与原图对应的size，这里问题就出现了。

FCN-8s：为了解决FCN直接上采样的问题，FCN-32s、-16s、-8s采用反卷积的方法，一步步对特征图进行上采样，并且借鉴特征提取部分相应尺度的特征图（这里的借鉴操作为：特征图copy过来、与刚刚进行过deconv的特征图进行对应像素add）
在这里插入图片描述
FCN-32s：deconv(featureMap16_16, stride=32) --> output: 512_512
在这里插入图片描述
FCN-16s：temp = add(deconv(featureMap16_16, stride=2),pool4)
deconv(16s：temp, stride&

最低0.47元/天 解锁文章
你听的到、
关注
  • 3
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
【Pytorch项目实战】之语义分割：U-Net、UNet++、U2Net
shinuone的博客
02-11 6157
图像分割：对图像中属于特定类别的像素进行分类（逐像素分类）。 图像分类：识别图像中存在的内容。 目标检测：识别图像中的内容和位置（通过边界框）。 语义分割：识别图像中存在的内容以及位置（通过查找属于它的所有像素）。
语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNet
jacke121的专栏
06-18 2858
语义分割(semantic segmentation) 常用神经网络介绍对比-FCN SegNet U-net DeconvNethttp://blog.csdn.net/u012931582/article/details/70314859在这里,先介绍几个概念,也是图像处理当中的最常见任务.语义分割(semantic segmentation)目标检测(object detection)目标识...
语义分割FCN与U-Net
shine的博客
09-28 806
FCN（Fully Convolutional Network） FCN也叫全卷积网络，从名字可以看出，FCN与CNN的不同之处就是，FCN将我们一般的经典分类网络模型（VGG、ResNet...）最后一层的FC（全连接层）全部换成了卷积层，这样可以得到二维的特征图，并通过在其后接softmax层来获得每个像素点的分类信息，从而解决了分割问题。 核心思想： 由于为全卷积网络，用conv层代替了fc层，故可接受任意尺寸的输入。 反卷积层，增大了数据的尺寸，输出的结果更为精细。 结合不同深度层结.
FCN和U-Net
热门推荐
yuanyong的博客
08-14 2万+
FCN论文《Fully Convolutional Networks for Semantic Segmentation》这篇论文作为用CNN来做语义分割的开山之作，意义还是非常之大的，目前其他的语义分割模型基本上都是在FCN的基础上做的一些改进。语义分割指的是对图片上的每一个像素所属的类别进行分类，可以应用在图像识别、分割、检测等领域，目前来看最好的应用场景是在自动驾驶上，用于识别道路、行人、车辆
将 Vision Transformer 用于医学图像的语义分割
最新发布
zhishi0000的博客
07-11 874
我在我的分割系统中使用了Hugging Face的Swin Transformer V2作为编码器。Swin Transformer（分层视觉Transformer，使用偏移窗口）包含4个阶段的编码器处理嵌入补丁。最初，补丁大小为4x4像素。在每个编码器阶段，通过合并来自前一个阶段较小补丁的嵌入，补丁分辨率会增加两倍。这意味着图像的空间分辨率，以补丁表示，每个后续阶段会减少两倍。
语义分割网络之FCN、Unet、DeconvNet、Segnet
Word_gebei的博客
01-20 349
总结：可以看出,这些网络的结构都是非常相似的,都是基于encoder-decoder结构的,只不过说法不同,前面是一些卷积层,加上池化层,后面的decoder其实就是进行upsampling,这些网络的最主要区别就是upsampling的不同. FCN进行upsampling的方法就是对feature map进行反卷积,然后和高分辨率层的feature map相加. Unet进行upsampling的方法和FCN一样. DeconvNet进行upsampling的方法就是进行unpooling,
语义分割经典网络：全卷积神经网络（FCN）&U-net
追
07-24 2715
语义分割经典网络：全卷积神经网络（FCN）&U-netFCN解决问题将全连接层替换为卷积层：上采样output使其恢复到原图分辨率使用FCNs网络来进行像素级别的图像分类U-net背景U-Net架构overlap-tile 策略 图像分类和检测任务，一般包含图像分类、目标检测、语义分割。其中语义分割相对较难，因为要预测的是每一个像素的类别。 FCN 全卷积神经网络（Fully Convolutional Network）是目前很多语义分割方法的基础。 从图中可看出，神经网络结构只有卷积模块，在网络
[论文解读]U-Net+与FCN的区别+医学表现+网络详解+创新
qq_43703185的博客
03-23 3038
原文链接：https://blog.csdn.net/weixin_40519315/article/details/104408388 UNet论文: 地址 UNet源代码: 地址 &nbs...
Pytorch：图像语义分割-FCN, U-Net, SegNet, 预训练网络
Jingmin Wei's Blog
03-21 5841
介绍了图像语义分割网络的基本概念，介绍了FCN, U-Net, SegNet的网络结构并用代码实现建模，使用预训练的语义分割网络完成颜色编码和图像分割。
语义分割网络总结：FCN、SegNet、U-Net、PSPNet、RefineNet到DeepLab v1～v3+
qq_19329785的博客
07-08 4823
语义分割梳理 写这篇博客也是想主要梳理一下最流行的几个语义分割网络，并且做一个小总结。接下来将从2014年的FCN到2018年的DeepLabv3+，来描述几个基于FCNs的深度语义分割网络的结构是如何变化。 值得注意的是语义分割的任务是基于像素点的密集预测任务，其目的是将输入图像的每个像素分配一个寓意类别。 FCNs（全卷积神经网络） 在之前基于CNN的分割网络中存在两个问题： ...
Python-图像分割Keras在Keras中实现SegnetFCNUNet和其他模型
08-11
图像分割Keras：在Keras中实现Segnet，FCN，UNet和其他模型
segnet和unet区别_UNet介绍
weixin_39603265的博客
12-19 1973
一、语义分割(semantic segmentation)介绍1.图像分类(image classification)image.png分类和定位(classification with localization)image.png物体检测(object detection)image.png语义分割(semantic segmentation)image.png实例分割(instance seg...
语义分割：FCN和UNet
最白の白菜的博客
03-06 2067
目录语义分割：FCN和UNetFCN网络网络结构全卷积部分上采样部分跳层连接FCN总结Unet网络总结 语义分割：FCN和UNet 学习目标 了解FCN的结构 了解FCN的上采样方法及跳层连接 掌握Unet网络结构 FCN网络 FCN（Fully Convolutional Networks） 用于图像语义分割，自从该网络提出后，就成为语义分割的基本框架，后续算法基本都是在该网络框架中改进而来。 对于一般的分类CNN网络，如VGG和Resnet，都会在网络的最后加入一些全连接层，经过softmax后就
FCN 和 U-net
zww275250的博客
11-18 2413
FCN:全卷积网络，没有全链接层，全部用卷基层来代替。在通过若干次的上采样，将特征图扩大跟原图大小的若干张概率图，每张概率图表示这个像素属于该类别的概率值。 u-net 和 FCN 的思路基本上差不多。一个区别是 u-net没有用vgg等的CNN模型作为预训练模型，因为u-net做的是医学图像的二值分割，没必要用ImageNet的预训练模型，而且u-net这个结构我们是可以根据自己的数据集自由加深
图像语义分割的理解(基于FCN和U-net)(全卷积网络与cnn的区别)
qq_42121640的博客
01-08 7266
参考:https://blog.csdn.net/sinat_24143931/article/details/78696442 FCN是深度学习应用在图像分割的代表作, 是一种端到端(end to end)的图像分割方法, 让网络做像素级别的预测直接得出掩模图(或者说label map) FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问...
From FCN to U-net
蘑菇菌的博客
04-16 1129
Fully Convolutional Networks FCN与CNN的区别： 简单的来说，FCN把于CNN最后的全连接层换成卷积层，使用反卷积上采样恢复原图大小，最后逐个像素计算softmax分类的损失，输出的是一张已经Label好的图片。 CNN：通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以Ale...
u-net segnet 学习笔记
jiachen0212的博客
11-23 2701
先放参考链接：http://blog.csdn.net/hduxiejun/article/details/71107285 首先，u－net的网络结构： 可以看到，输入图像尺寸是大于输出图像的。 u－net一个比较“创新”做法在于：在对图像边界进行padding时，用的不是传统的补零，而是对边缘部分镜像！： u－net的拓展： 数据增强：移动最小二乘实现
深度学习 CNN FCN segnet简单比较
梦醒时分
10-29 3994
CNN：图像级 将特征图映射成一个固定长度的特征向量。          多层结构自动学习，浅层感知域小，只能学习局部，较深卷积层有较大感知，能学习抽象          抽象特征对大小，方向，位置等敏感度低 FCN：像素级 可接受任意尺度的输入，用反卷积对最后一个卷积层feture map采样，恢复到输入图像相同尺寸，对每一个像素都产生预测，保留原始空间信息，对特征图进行逐像素的分类。 ...
U-Net、SegNet、FCN、DeepLab 对比
05-17
U-Net、SegNet、FCN、DeepLab 都是用于图像语义分割的深度学习模型，它们各自有不同的特点和优势。 U-Net 是一种编码-解码结构的模型，它通过对称的卷积层和池化层来实现图像编码和解码，并且在解码阶段使用反卷...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值