![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分割
文章平均质量分 62
Tc.小浩
这个作者很懒,什么都没留下…
展开
-
FCN:为什么说可以输入任意大小的图片(PyTorch官方规定至少输入224x224)?
FCN详情查看:https://blog.csdn.net/weixin_48167570/article/details/121039644为什么说如果一个神经网络里面只有卷积层,那么我输入的图像大小是可以任意的。但是如果神经网络里不仅仅只有卷积层,还有全连接层,那么输入的图像的大小必须是固定的。卷积层的参数和输入大小无关,它仅仅是一个卷积核在图像上滑动,不管输入图像多大都没关系。图像进行卷积的时候,因为每一个卷积核中权值都是共享的,因此无论输入图像的尺寸是多大的都可以都是按照步长滑动做卷积,只不过原创 2021-12-04 20:32:08 · 1495 阅读 · 0 评论 -
语义分割的dice loss、Jaccard和miou
Dice系数和mIoU是语义分割的评价指标,在这里进行了简单知识介绍。讲到了Dice顺便在最后提一下Dice Loss,以后有时间区分一下在语义分割中两个常用的损失函数,交叉熵和Dice Loss。文章目录一、Dice系数1 概念2 实际计算Jaccard系数二、MIou1 语义分割元素分类的四种情况2.mIoU定义与单个IoU理解三 Dice Loss一、Dice系数1 概念Dice系数源于二分类,本质上是衡量两个样本的重叠部分,是一种集合相似度度量函数,该指标范围从0到1,其中“1”表示完整的重原创 2021-12-01 21:40:04 · 5864 阅读 · 2 评论 -
用python来改变图片的位度
亲测可用,我是用来进行分割任务的参考:https://blog.csdn.net/weixin_44617502/article/details/113567148原创 2021-11-27 16:43:47 · 485 阅读 · 0 评论 -
深度学习-Dropout详解
文章目录前言1、什么是Dropout2、Dropout的数学原理3、Dropout是一个正则网络4、CNN的Dropout5、Dropout的变种5.1 高斯Dropout6、总结前言Dropout是深度学习中被广泛的应用到解决模型过拟合问题的策略,相信你对Dropout的计算方式和工作原理已了如指掌。这篇文章将更深入的探讨Dropout背后的数学原理,通过理解Dropout的数学原理,我们可以推导出几个设置丢失率的小技巧,通过这篇文章你也将对Dropout的底层原理有更深刻的了解。同时我们也将对Dro原创 2021-11-26 16:36:19 · 15267 阅读 · 0 评论 -
DeepLab、Deeplab2、Deeplab3、Deeplab3+系列讲解
详细内容请参考:https://blog.csdn.net/weixin_38376693/article/details/107831518原创 2021-11-19 20:15:34 · 415 阅读 · 0 评论 -
语义分割全卷机网络-FCN
文章目录一、FCN概述二、为什么需要FCN?三、FCN原理及网络结构四、反卷积五、CNN与FCN六、上采样upsample七、跳跃结构八、训练过程九、FCN的优点和不足参考:https://www.cnblogs.com/xiaoboge/p/10502697.html一、FCN概述CNN做图像分类甚至做目标检测的效果已经被证明并广泛应用,图像语义分割本质上也可以认为是稠密的目标识别(需要预测每个像素点的类别)。传统的基于CNN的语义分割方法是:将像素周围一个小区域(如25*25)作为CNN输入,做原创 2021-10-30 14:40:44 · 704 阅读 · 0 评论