深度学习笔记（基础篇）——（六）全卷积神经网络（FCN）

最新推荐文章于 2024-08-02 18:59:18 发布

马大哈先生

最新推荐文章于 2024-08-02 18:59:18 发布

阅读量2k

点赞数

分类专栏：深度学习 CNN

本文链接：https://blog.csdn.net/qq_37764129/article/details/86130395

版权

全卷积网络（FCN）为解决语义级别的图像分割问题提出，避免全连接层，采用反卷积层恢复特征图尺寸，实现像素级分类。FCN包含全卷积、反卷积和跳级结构，适应任意尺寸输入，提高效率，但可能丢失细节和空间一致性。

摘要由CSDN通过智能技术生成

通常CNN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进行分类。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述，如AlexNet的ImageNet模型输出一个1000维的向量，表示输入图像属于每一类的概率。例如，图4.15中的猫，输入AlexNet，得到一个长为1000的输出向量，表示输入图像属于每一类的概率，其中在“tabby cat”这一类上响应最高。

与物体分类要建立图像级理解任务不同的是，有些应用场景下要得到图像像素级别的分类结果，如语义级别图像分割（Semantic Image Segmentation），最终要得到对应位置每个像素的分类结果；又如边缘检测，相当于对每个像素做一次二分类（是边缘或不是边缘）。以语义图像分割为例，其目的是将图像分割为若干个区域，使得语义相同的像素被分割在同一区域内。图4.16是一个语义图像分割的例子，输入图像，输出不同颜色的分割区域表示不同的语义：背景、人和马。