全卷积神经网络(FCN)

已于 2022-09-09 09:15:38 修改
阅读量3.8k 收藏 6
点赞数 5
分类专栏： 深度学习 文章标签： cnn 计算机视觉 深度学习
于 2022-08-30 10:56:44 首次发布
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_37497304/article/details/126599402
版权

目录

卷积化

上采样

跳跃结构

论文：Fully Convolutional Networks for Semantic Segmentation(2015)

参考：https://zhuanlan.zhihu.com/p/80715481

全卷积神经网络（Fully Convolutional Networks for Semantic Segmentation）第一次将卷积神经网络结构应用到图像语义分割领域，是开山之作。

FCN当中有几个关键的概念：

卷积化

卷积化（convolutionalize）即用卷积层代替全连接层。

在这里插入图片描述

对于AlexNet、VGG、GoogeLeNet等用于图像分类的CNN，大多是使用全连接层来实现类别预测。但是全连接层是将特征图拉成一个向量，丢失了图像的空间信息。FCN中将全连接层改为卷积层。例如作者在使用VGG-16分类框架的基础上，将最后三个全连接层变成了[256,4096,7,7]、[1,4096,1,1]、[4096,4096,1,1]、[4096,21,1,1]。这样由于没有了全连接层的限制，输入图像就可以是任意大小。

上采样

在VGG、AlexNet以及ResNet中最后的特征图都是原图像缩小了很多倍。比如VGG16将原图缩小了32倍。我们需要得到的是一个与原图像大小相同的输出，因此需要进行上采样。FCN采用转置卷积进行上采样（Upsampling）。

跳跃结构

FCN在较深处的卷积层融入了浅层卷积的特征。FCN设计了三种上采样的方式：FCN-32s、FCN-16s、FCN-8s，最后一种效果最好。

首先 FCN-32s 是没有融合浅层特征信息的，直接在分类网络后用卷积层替代全连接层，之后经过 kernel size = 64, stride = 32, padding = 16 的转置卷积放大到原图像大小，通道为（类别数量+1）。

在这里插入图片描述

FCN-8s 首先将32倍下采样后的特征图使用 kernel size = 4, stride = 2 的转置卷积上采样至16倍下采样的特征图，之后与原图像16倍下采样的特征图经过 1 × 1 1 \times 1 1×1 卷积的结果相加。之后再使用 kernel size = 4, stride = 2 的转置卷积上采样至8倍下采样特征图，与原图像8倍上采样特征图经过 1 × 1 1 \times 1 1×1 卷积的结果相加。最后再经过 kernel size = 16, stride = 8 的转置卷积上采样至原图像大小。

在这里插入图片描述

图自 https://zhuanlan.zhihu.com/p/80715481

Demon_zzj
关注
  • 5
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
fcn全卷积网络代码
11-23
多了一个全连接层,也就是在VGG的第五层加上三层全连接,其中前五层的Weight和Bias直接用VGG的参数当做初始值(迁移学习),后面三层参数高斯初始化设置. 然后使用三层"反卷积"接在第八层之后,这里的参数都是使用高斯初始化的.最后得到和输入图一样大小的图(end to end) 如何训练?这里比较麻烦,我看见网上很多人在问这个问题,我刚开始也一直纠结.
【深度学习】：小白也能看懂的卷积神经网络
极歌科技
08-09 1046
小编在市面看了很多介绍计算机视觉的知识，感觉都非常深奥，难以理解和入门。因此总结出了一套容易理解的教程，希望能够和大家分享。 一.人工神经网络 人工神经网络是一种模拟人脑构建出来的神经网络，每一个神经元都具有一定的权重和阈值。仅有单个神经元的图例如下所示： 从中可以看到每一个神经元具有一个输入Input Layer，一个输出Ouput Layer。一般情况下，Input Lay...
全卷积网络（Fully Convolutional Networks）——智能图像分割的利器
最新发布
gitblog_00075的博客
05-31 320
全卷积网络（Fully Convolutional Networks）——智能图像分割的利器 项目地址:https://gitcode.com/wkentaro/fcn 在这个数字化时代，深度学习已经成为解决复杂视觉问题的核心技术之一。其中一个具有里程碑意义的工作便是全卷积网络（Fully Convolutional Networks, FCN），它为图像语义分割提供了强大的解决方案。现在，我们很...
FCN（全卷积神经网络）详解
热门推荐
晓野豬
09-27 7万+
文章目录简介核心思想网络结构上采样 Upsampling跳级结构CNN与FCN的区别与联系网络训练过程存在问题【参考】 简介 全卷积网络（Fully Convolutional Networks，FCN）是Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。FCN将传统CNN后面的全连接层换成了卷积层，这样网络的输出将是热力图而非类
全卷积神经网络（FCN）论文笔记
charles_zhang_的博客
04-28 3571
全卷积神经网络（FCN）论文笔记 Fully Convolutional Networks for Semantic Segmentation Abstract 卷积网络是一种功能强大的视觉模型，可以产生特征的层次结构。我们证明了卷积网络本身，经过端到端训练的像素到像素，在语义分割方面超过了最先进的水平。我们的关键洞察是构建“完全卷积”网络，该网络接收任意大小的输入，并通过有效的推理和学习产生相应大小的输出。我们定义并详细描述了完全卷积网络的空间，解释了它们在空间密集型预测任务中的应用，并与先前的模型建立了
详解卷积神经网络（Convolutional Neural Networks, CNNs）
m0_73916791的博客
12-05 1389
例如，在上面的代码中，逻辑是假设输入的图像大小是28x28像素，经过两次2x2的池化后，其大小变为7x7像素（原大小除以池化窗口stride的大小的平方），因此在全连接层fc1中的输入特征数量必须设置为64（第二个卷积层的输出通道数）乘以7乘以7（池化后的图像大小）。例如，如果您处理的是更高分辨率的图像，您可能需要更多的卷积层或者更大的全连接层。全连接神经网络是理解复杂网络结构的基础。全连接层通常位于CNN的末尾，它们的作用是将前面卷积层和池化层学习到的局部特征组合起来完成特定的任务，比如分类。
8--全卷积网络（FCN）
garbage回收中心
09-01 2079
全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。全卷积网络通过转置卷积，将中间层输出特征图的高宽转化为原始图像的高宽，实现了输出的类别预测与输入图像在像素级别上具有一一对应关系，通道维的输出即该位置对应像素的类别预测。...
全卷积神经网络FCN用于图像分割的工具箱(FCN for image segmentation)
05-01
全卷积神经网络（Fully Convolutional Network, 简称FCN）是深度学习领域中图像分割技术的重要里程碑，由Long等人在2015年提出。它解决了传统卷积神经网络（CNN）在处理全尺寸图像时的效率问题，使得端到端的像素级...
R-FCN.zip_CNN_cnn+目标检测_全卷积_全卷积FCN_卷积神经网络
07-14
R-FCN全卷积网络的目标检测神经网络，算法性能优于Faster R-CNN
卷积神经网络论文
05-10
通过全卷积网络（Fully Convolutional Network，FCN），可以生成与输入图像大小相同的分割掩模，精确地标识图像中的不同对象。 四、三维人脸识别 赵亚龙的《基于卷积神经网络的三维人脸识别研究》关注的是如何用CNN...
全卷积文献中文翻译版
05-31
Convolutional networks are powerful visual models that yield hierarchies of features. We show that convolutional networks by themselves, trained end-to-end, pixelsto- pixels, exceed the state-of-the-art in semantic segmentation. Our key insight is to build “fully convolutional” networks that take input of arbitrary size and produce correspondingly-sized output with efficient inference and learning. We define and detail the space of fully convolutional networks, explain their application to spatially dense prediction tasks, and draw connections to prior models. We adapt contemporary classification networks (AlexNet [22], the VGG net [34], and GoogLeNet [35]) into fully convolutional networks and transfer their learned representations by fine-tuning [5] to the segmentation task
通过全卷积神经网络(FCN)对医学影像进行语义分割——对于大脑病变区域的识别王晟全(1).pptx
07-03
所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。 多数的图像分割算法均是基于灰度值的不连续和...
FCN全卷积网络源代码
09-23
FCN的核心思想是将传统的卷积神经网络（CNN）与反卷积（Deconvolution）操作相结合，以实现对输入图像像素级别的分类，从而达到语义分割的目的。 传统的CNN通常包含卷积层、池化层和全连接层。然而，在处理像素级...
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
全卷积网络FCN详解
tt丫的博客
02-21 1万+
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 一、FCN提出原因 为了解决图像分割这种像素级别的问题。 图像分类是图像级别的，一般使用CNN为基础框架进行分类，但是CNN难以应用于图像分割 原因： （1）CNN在进行卷积和池化过程中丢失了图像细节，即feature map size渐渐减小，因此不能很好指出物体的具体轮廓，指出每个像素具体属于哪个物体，从而无法做到精确的分割。 （2）一般CNN分类网络都会在最后加入一些全连接层，经过s
通俗易懂理解FCN全卷积网络模型
IT菜鸟
01-24 1862
通俗易懂理解FCN全卷积网络模型
全卷积神经网络（FCN）和卷积神经网络（CNN）的主要区别
weixin_45928096的博客
03-14 1万+
卷积神经网络主要由卷积层、池化层和全连接层组成。排在前面的较浅的卷积层采用较小的感知域，可以学到图像的一些局部特征（如纹理特征），排在后面较深的卷积层采用较大的感知域，可以学到更加抽象的特征（如物体的大小、位置和方向等）。 全卷积神经网络（FCN）和卷积神经网络（CNN）的主要区别在于FCN将CNN末尾的全连接层转化成了卷积层。 例如，经过卷积、池化后，图像的大小变为4（长）×4（宽）×512（通道数）。CNN将图像送入全连接层，而FCN将图像送入1×1的卷积层。
卷积神经网络（CNN）网络结构及模型原理介绍
stephon_100的博客
06-24 9833
卷积神经网络（CNN）网络结构模型构建及介绍
全卷积神经网络fcn
01-03
全卷积神经网络（FCN）是一种用于图像分割的深度学习模型。与传统的卷积神经网络（CNN）不同，FCN可以接受任意尺寸的输入图像，并且能够对每个像素进行分类，从而实现像素级的图像分割。 FCN的关键在于使用反卷积层（也称为转置卷积层）进行上采样。在传统的CNN中，卷积层通过不断缩小特征图的尺寸来提取图像的高级特征。而在FCN中，最后一个卷积层的特征图会经过反卷积层进行上采样，使其恢复到输入图像相同的尺寸。这样，每个像素都可以产生一个预测，并且保留了原始输入图像中的空间信息。 通过反卷积层的上采样操作，FCN能够将低分辨率的特征图转换为与输入图像相同尺寸的高分辨率预测图。这样，每个像素都可以被分类，并且生成一张已经标记好的图，而不仅仅是一个概率值。 总结来说，FCN通过将最后一个卷积层的特征图进行反卷积层的上采样操作，实现了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问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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