Fully Convoluntional Networks (FCN)
在卷积层转化为全连接层
网络近似于同样的输入大小,不丢失像素细节
会使用Padding
Ausgabe eines FCN
会输出每一个种类的概率值,然后跳出概率最大的那一类
他会给出一副图片每个像素点或者区域对应的种类
区域的大小取决于网络结构
最小情况就是像素界别
大多数情况都是44或者3232大小的
Implizites Sliding Window
每一个区域的分类依靠一个大的接收域
接收域的大小取决于网络结构
一些接收域符合暗潜在的Sliding Window 的公式
同时没有可以解释的计算
计算通过卷积和pooling
Problem:geringe Auflösung
每32*32的区域分类,精度不足
Upsampling Methoden
扩展像素
Nearest Neighbor
Bed of Nails
填零
Max unpooling
在Pooling过程中保存位置,根据这些位置重建
Tiling
学习推迟的层在附加层
增加精度
增加参数数目
Training von Segmentierungsnetzen
不同的种类不同的权重