深度学习方法在道路提取、图像检索上的几篇文章阅读笔记

关于全卷积神经网络的upsampling还没有搞清楚，如果你有合适的资料或者好方法，欢迎评论交流！

深度学习方法在道路提取上的应用

1、【传统方法】A review of road extraction from remote sensing images
2、【充分利用道路特征-FCN+改进的损失函数】Road Structure Refined CNN for Road Extraction in Aerial Image
A.重新设计了反卷积层和融合层，提出了一种新的损失函数，将道路结构的几何信息与交叉熵损失相结合
B.introduction：两个方向的研究：
启发式：数学形态学、纹理渐进分析，利用关于道路的一些知识
数据驱动式：聚类、马尔可夫随机场(MRFs)、条件随机场(CRFs)
新：神经网络：忽略了道路的几何约束特征，导致提取效果不好。
a.本文考虑了CNN框架中道路结构的空间相关性和几何信息，结合了反卷积和融合层来提供结构化的输出。
FCN：全卷积神经网络https://blog.csdn.net/taigw/article/details/51401448
   https://blog.csdn.net/xg123321123/article/details/53092154
与传统CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全连接层＋softmax）不同，FCN可以接受任意尺寸的输入图像，然后通过反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在与输入图等大小的特征图上对每个像素进行分类，逐像素地用softmax分类计算损失,相当于每个像素对应一个训练样本
优点：
1、可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。
2、更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。
缺点：
1、得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。
2、对各个像素进行分类，没有充分考虑像素与像素之间的关系&#