很早的一篇文章了,CVPR2015的一个亮点,看过几次了,今天决定mark一下。
文章使用全卷积网络,进行端到端的,像素到像素的训练,得到了很好的语义分割结果。
FCN网络和一般的网络的最大不同是,FCN产生的输出和输入的维度保持一致,即改变原本的CNN网络末端的全连接层,将其调整为卷积层,这样原本的分类网络最终输出一个热度图类型的图像。
其中,对全卷积网络的末端再进行upsampling(上采样),即可得到和原图大小一样的输出,这就是热度图了。而具体究竟用那种方法进行upsampling产生热度图,作者主要考虑了3种方案,最终采用了deconvolutional(反卷积)的方法。
为了FCN更好地应用在分割里,作者将最后几层的信息叠加,得到更加有效的结果,具体网络结构如图:
想法简单,但是首篇全卷积的产生,最后附几张效果: