首先,文章原址:https://arxiv.org/pdf/1412.7062.pdf
这篇文章是在DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs的前版本,deeplab很多思想都是本篇文章的扩写,毕竟同一群人的后续工作。
本博客不翻译论文,而写论文总结。因为博客作者字太丑,笔记记得太烂了,自己都不想回看,所以依赖于电脑。
以及为什么还要总结一些历史啊论文之外的东西啊,当然是因为这些“废话”小白作者没看之前不知道啊。所以要学要记啊。
- 摘要
- 这个网络是基于DCNN
- 像素级的分类或者说是语义分割
- 克服了DCNNs的不能局部精准物体分割问题(DCNNs优点在于局部扰动无关)所以说是个博弈,你又想认真看局部,又想对于局部变化不敏感
- 把最后一层DCNN网络的反馈和马尔科夫全连接场结合
- introduction
- DCNN一直用以解决高层次问题,比如图像分类,物体探测,优越性来源于对于局部变型(transform)不敏感,也就有助于层次化抽象有效信息
- 本论文很重视运算效率,所以采用了hole算法来效率的解决同时又能得到密集的特征图,在此推荐一个博客里面hole讲的很细https://blog.csdn.net/touch_dream/article/details/79267818
- 用caffe以及im2col function做的,该function将多通道特征图转换成vectorized patch我翻译为向量形式的一个包
- 本网络是建立在VGG-16上的,调整了模型的weight。