FCN是图像语义分割领域的里程碑工作，它摒弃了全连接层，采用全卷积结构实现端到端的像素级预测。本文核心内容包括：1. FCN的背景，指出传统方法在速度和精度上的不足；2. FCN的核心看点，如不含全连接层的全卷积网络，上采样的反卷积层以及跳级结构；3. FCN的工作原理，通过卷积化保留空间信息，使用反卷积层输出精细结果，并结合多层信息提高准确性。
参考文献：
FCN——Semantic Segmentation的开山之作之论文解析
CNN这几年一直在驱动着图像识别领域的进步。无论是整张图片的分类，还是物体检测，关键点检测都在CNN的帮助下得到了非常大的发展。但是图像语义分割不同于以上任务，这是个空间密集型的预测任务，换言之，这需要预测一幅图像中所有像素点的类别。
以往的用于语义分割的CNN，每个像素点用包围其的对象或区域类别进行标注，但是这种方法不管是在速度上还是精度上都有很大的缺陷。
本文提出了全卷积网络(FCN)的概念，针对语义分割训练一个端到端，点对点的网络，达到了state-of-the-art。这是第一次训练端到端的FCN，用于像素级的预测；也是第一次用监督预训练的方法训练FCN。
- 不含全连接层(fc)的全卷积(fully conv)网络。可适应任意尺寸输入。
- 上采样的反卷积(deconv)层。能够输出精细的结果。
- 结合不同深度层结果的
1926
2513
453
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
