摘要:
摘要主要阐述了FCN的原理和结构,以及它目前的效果。
原理和结构:(1)迁移学习了当前分类性能比较好的网络作为FCN网络的分类网络,例如:VGG,resnet,Alexnet。
(2)全卷积网络的建立。
全卷积网络的建立,直观上的表现为,可以训练任意尺寸的输入,而相应的输出为相同大小尺寸的图片,并且已经完成了像素级别的分类。
(3)跳层结构。
综合深层网络粗略的,抽象的特征信息和浅层网络精细的位置信息和局部特征,可以更好地进行像素级别分割。
(4)转置卷积。
采用转置卷积完成上采样。
1. 引言
卷积网络在识别领域前进势头很猛。卷积网不仅全图式的分类上有所提高 [22,34,35] ,也在结构化输出的局部任务上取得了进步。包括在目标检测边界框 [32,12,19] 、部分和关键点预测 [42,26] 和局部通信 [26,10] 的进步。
在以往的分割方法中,主要有两大类缺点,首先基于图像块的分割常见,但是效率低,往往需要前期或者后期的处理(例如超像素、proposal(检测框) 和对通过随机域事后细化或者局部分类)。其次语义分割面临在语义和位置的内在张力问题:全局信息解决的“是什么”,而局部信息解决的是“在哪里”。
为了解决上面这两个问题,本文主要有三个创新点:
(1) 将分类网络结果重新解释为全卷积神经网络结构,这里面具体包括两点,一个是全连接层转化为卷积层,还有就是通过反卷积进