![](https://img-blog.csdnimg.cn/20190918140145169.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
语义分割
文章平均质量分 86
语义分割论文阅读与解析
何如千泷
这个作者很懒,什么都没留下…
展开
-
【论文阅读】DeepLab系列
DeepLab系列详细解读,并使用Pytorch实现原创 2022-06-17 11:33:37 · 1097 阅读 · 3 评论 -
【论文阅读】SegNet算法详解
SegNet论文详解本文提出了一种用于语义分割的深度全卷积神经网络结构SegNet,其核心由一个编码器网络和一个对应的解码器网络以及一个像素级分类层组成。本文的创新在于:解码器使用在对应编码器的最大池化步骤中计算的池化索引来执行非线性上采样,这与反卷积相比,减少了参数量和运算量,而且消除了学习上采样的需要。1. 网络结构1.1 编码器Conv层通过卷积提取特征,其中使用的是same padding的卷积,不会改变特征图的尺寸BN层起到归一化的作用ReLU层起到激活函原创 2021-12-31 11:31:39 · 11697 阅读 · 10 评论 -
【论文阅读】FCN网络详解
FCN论文详解1. 将全连接层替换为卷积层语义分割的目的是对图像中每一个像素点进行分类,与普通的分类任务只输出图像某个类别不同,语义分割任务输出的是与输入图像大小相同的图像,输出图像的每个像素对应输入图像每个像素的类别,这也就是论文中提到的dense prediction。FCN全卷积网络是图像分割开山之作,其核心思想非常简单,用卷积层代替分类网络中的全连接层。用于分类的神经网络由卷积层、池化层和最后连接的全连接层组成,经过最后的全连接层后,二维的图像信息被映射为具体的一维类别信息进行输出,得到分原创 2021-12-30 23:11:47 · 3012 阅读 · 0 评论 -
【论文阅读】U-Net论文详解
U-Net论文详解U-Net结构由一个用于捕获上下文信息的压缩路径和一个支持精确定位的对称扩展路径构成。实验结果表明可以从很少的图像进行端到端的训练,并在ISBI挑战上优于先前最优的方法(滑动窗口卷积网络),并获得了冠军1. 背景介绍卷积网络的典型应用是分类任务,其中图像的输出是一个单一的类标签。然而在许多视觉任务中,特别是生物医学图像处理中,期望的输出应该包含定位,即给每一个像素点分配一个类标签。于是滑动窗口卷积网络通过提供像素点周围的局部区域来预测每个像素的类别标签。但是这样的方法存在两个缺原创 2021-12-27 22:46:40 · 3430 阅读 · 1 评论 -
【论文阅读】PSPNet论文详解
在本文中,我们通过金字塔池化模块提出了用于场景解析的PSPNet,该网络可以聚合不同区域的上下文信息来挖掘全局的上下文信息,我们的全局信息可以有效地在场景解析任务中产生高质量的结果。1. Introduction基于语义分割的场景解析是计算机视觉的一个基础课题,其目的是为图像中的每一个像素指定一个类别标签。最先进的场景解析分析框架主要是基于全卷积网络(FCN),基于深度卷积神经网络的方法提高了对动态对象的理解,但由于场景的多样性和词汇的不受限制性,其仍然面临较大的挑战。比如下图中第一行展示的例子,.原创 2021-12-21 17:34:41 · 5908 阅读 · 0 评论