本文介绍了深度学习模型FCN在语义分割任务中的应用，通过去掉VGG模型的fc层并使用全卷积操作，结合深浅层信息实现像素级别的预测。FCN有FCN-32s、FCN-16s和FCN-8s三种网络结构，结合不同层级特征进行上采样，以提高分割效果。分析显示，底层信息的融合能提升边界清晰度，并在VOC数据集上表现出优异的性能。评价标准包括像素精度、平均精度、平均IU和频率加权IU。
We show that convolutional networks by themselves, trained end-to-end, pixels-to-pixels, exceed the state-of-art in semantic segmentation
We define a novel architecture that combines semantic information from a deep, coarse layer with appearance information from a shallow, fine layer to produce accurate and detailed segmentation.
语义分割任务：
- semantic
- location：
- 全局信息揭示种类：global information resolves what
- 局部信息揭秘位置信息：local information resolves where
模型
- 说明：
- 去掉基础模型VGG模型中的fc层，改为全卷积操作
- 在特征层进行上采样，生成pixe
最低0.47元/天 解锁文章
869
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
