图像分割网络FCN原理详解

最新推荐文章于 2025-04-25 14:20:51 发布
最新推荐文章于 2025-04-25 14:20:51 发布
阅读量6k 收藏 43
点赞数 5
分类专栏： 深度学习 文章标签： 图像分割网络FCN原理详解
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wsp_1138886114/article/details/85530007
版权

文章目录

一、全卷积网络(FCN)

卷积神经网络从图像分类到到对象检测、实例分割、到图像语义分割、是卷积特征提取从粗糙输出到精炼输出的不断升级，基于卷积神经网络的全卷积分割网络FCN是像素级别的图像语义分割网络，相比以前传统的图像分割方法，基于卷积神经网络的分割更加的精准，适应性更强。

为了了解全卷积网络，我们必须他与普通CNN网络的区别：

1.1 CNN网络

通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述（概率），比如AlexNet的ImageNet模型输出一个1000维的向量表示输入图像属于每一类的概率(softmax归一化)。

  • 举例：下图中的猫, 输入AlexNet, 得到一个长为1000的输出向量, 表示输入图像属于每一类的概率, 其中在“tabby cat”这一类统计概率最高（如下图）。
    在这里插入图片描述
1.2 全卷积网络(FCN)

FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的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（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用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, 最后在上采样的特征图上进行逐像素分类（如上图）。

简而言之：FCN与CNN的区域在把于CNN最后的全连接层换成卷积层，输出的是一张已经Label好的图片。

二、网络实现

FCN的卷积网络部分可以采用VGG、GoogleNet、AlexNet等作为前置基础网络，在这些的预训练基础上进行迁移学习与finetuning，对反卷积的结果跟对应的正向feature map进行叠加输出(这样做的目的是得到更加准确的像素级别分割)，根据上采样的倍数不一样分为FCN-8S、FCN-16S、FCN-32S，图示如下：

  • 详情：
    对原图像进行卷积 conv1、pool1后原图像缩小为1/2；
    之后对图像进行第二次 conv2、pool2后图像缩小为1/4；
    继续对图像进行第三次卷积操作conv3、pool3缩小为原图像的1/8，此时保留pool3的featureMap；
    继续对图像进行第四次卷积操作conv4、pool4，缩小为原图像的1/16，保留pool4的featureMap；
    最后对图像进行第五次卷积操作conv5、pool5，缩小为原图像的1/32，
    然后把原来CNN操作中的全连接变成卷积操作conv6、conv7，图像的featureMap数量改变但是图像大小依然为原图的1/32，此时图像不再叫featureMap而是叫heatMap。

  • 实例
    现在我们有1/32尺寸的heatMap，1/16尺寸的featureMap和1/8尺寸的featureMap，1/32尺寸的heatMap进行upsampling操作之后，因为这样的操作还原的图片仅仅是conv5中的卷积核中的特征，限于精度问题不能够很好地还原图像当中的特征，因此在这里向前迭代。把conv4中的卷积核对上一次upsampling之后的图进行反卷积补充细节（相当于一个差值过程），最后把conv3中的卷积核对刚才upsampling之后的图像进行再次反卷积补充细节，最后就完成了整个图像的还原。(关于上采样不懂的自行百度)
    在这里插入图片描述
    在这里插入图片描述
    github:https://github.com/muyang0320/tf-fcn
    在这里我们要注意的是FCN的缺点：

  • 是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。

  • 是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。忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。

FCN原理与代码实例讲解
AI天才研究院
06-20 796
FCN原理与代码实例讲解 1.背景介绍 全卷积网络（Fully Convolutional Network，简称FCN）是深度学习领域中一种重要的神经网络架构，主要用于图像分割任务。传统的卷积神经网络（CNN）在处理图像分类问题时表现出色，但在图像分割任务中，CNN的全连接层会丢失空间信息。FCN通
全连接卷积神经网络FCN语义分割原理
qq_43631789的博客
09-20 1193
预备知识： 1、图片由像素构成，像素用数字表示即一张黑白图片可以看作一个二维矩阵。 2、所有的颜色都是由红黄蓝这三个颜色融合而来，用0~255之间的数字表示。因此彩色图片中的每个像素点有三个颜色分量，即彩色图像是一个三维矩阵。 3、彩色图片的卷积操作如下图所示： 对红黄蓝矩阵分别进行卷积，对应位置点相加变成一个一维矩阵 4、一个卷积核得到一个特征图（一组特征），一个卷积层有多个卷积核（多组特征比...
【图像分割】FCN原理
xj154466的博客
03-08 3718
什么是语义分割？ 语义分割就是从像素水平上理解、识别图片的内容。输入的是图片，输出的是同尺寸的分割标记，每个像素会被标识为一个类别。 语义分割的用处： ·机器人视觉和场景理解 ·辅助/自动驾驶 ·医学X光 一、简介 FCN是深度学习用于语义分割任务的开山之作，提出了“全卷积神经网络”，可以接收任意尺寸的输入，并给出对应大小的输出。 ...
手把手带你从论文出发实战搭建分割FCN网络
最新发布
weixin_36002475的博客
04-25 51
FCN即全卷积网络（Fully Convolutional Networks），由Jonathan Long、Evan Shelhamer和Trevor Darrell于2015年在CVPR会议上发表的论文《Fully Convolutional Networks for Semantic Segmentation》中首次提出，是深度学习首次真正意义上用于语义分割任务的端到端方法。FCN的提出具有里程碑意义，奠定了现代语义分割网络架构的基础。
FCN原理浅析
fine_0007的博客
12-17 4108
FCN全卷积网络和CNN网络十分相似，主要区别在于取消全连接层并以卷积层的方式进行替代，最终输出heat map而不是feature map。本文选取AlexNet作为典型的CNN并将其转换为FCN以分析思路，AlexNet有五个卷积层、三个池化层和三个全连接层构成。在由CNN改造为FCN的过程中，CNN的卷积层保持不变，全连接层则是去除放置等效的卷积层或根据需求设计新的卷积层，这里的网络结构参考...
深度学习之图像分割 《Fully Convolutional Networks for Semantic Segmentation》—FCN
热门推荐
susandebug
04-21 2万+
【论文信息】 《Fully Convolutional Networks for Semantic Segmentation》 CVPR 2015 best paper key word: pixel level, fully supervised, CNN 【方法简介】 主要思路是把CNN改为FCN，输入一幅图像后直接在输出端得到dense prediction，也
FCN 实现图像语义分割
03-13
自己精心整理的"FCN 实现图像语义分割"的视频讲解,mp4,华文讲解,很详细!
R-FCN原理讲解
hukongtao1994的博客
07-28 781
https://www.cnblogs.com/lillylin/p/6277094.html   https://www.cnblogs.com/shouhuxianjian/p/7710707.html   https://blog.csdn.net/u014380165/article/details/72848254
深度学习语义分割篇——FCN原理详解篇
秃头小苏的博客
03-29 2036
​  在过往的博客中，我已经介绍了几种经典神经网络（VGG、GoogleNet、Resnet等等）在图像分类上的应用，这些都是非常基础却重要的内容，大家务必要掌握，不了解的可以进入个人主页搜索了解详情。🌼🌼🌼在目标检测方面，我有讲解过yolo系列的原理，点击☞☞☞了解详情。但是yolo代码部分还没有出过相关教程，看看后面是否有时间吧！！！目标检测系列——开山之作RCNN原理详解🍁🍁🍁目标检测系列——Fast R-CNN原理详解🍁🍁🍁目标检测系列——Faster R-CNN原理详解🍁🍁🍁。
图像分割技术详解：从原理到实践
10-27
图像分割技术的原理主要涉及特征提取、模型推理、后处理和评估几个步骤。特征提取是从原始图像中获取有助于分割的视觉信息，如边缘、角点、纹理等，传统方法包括边缘检测、颜色分割等，而深度学习方法则可以自动学习...
图像分割-基于Pytorch实现UNet+FCN图像分割算法-附项目源码+流程教程-优质项目实战.zip
05-28
《图像分割：基于PyTorch实现UNet与FCN算法详解及实战》 图像分割是计算机视觉领域中的重要任务，其目标是将图像划分为不同的区域或对象，每个区域具有相同的语义特征。本项目专注于使用PyTorch深度学习框架实现两...
pytorch实现简单的FCN全卷积网络结构，用于语义分割
05-12
全卷积网络是一种深度学习模型，最初由Long等人在2015年的《Fully Convolutional Networks for Semantic Segmentation》论文中提出，主要用于图像语义分割任务。与传统的卷积神经网络（CNN）不同，FCN将全连接层替换...
唐宇迪---图像分割算法深度学习 卷积神经网络.pdf
06-26
唐宇迪---图像分割算法（深度学习）第二章
BP神经网络方法在图像分割中的应用
02-02
BP神经网络方法在图像分割中的应用，模式识别，图像处理的入门知识介绍，帮助对相关专业进行基础指导
FCN简单理解
cxkyxx的博客
09-14 4586
文章目录整体把握卷积层替换全连接层的意义卷积层替换全连接层的具体方法网络结构中“放大”、“缩小”跳级的思想损失函数 整体把握 FCN的论文主要集中于语义分割，当然这种结构现在已经运用在计算机视觉的各种任务中。 FCN创造性的将传统CNN的全连接层都转换成了卷积层。 FCN支持任意尺度的图片输入，改变了传统CNN要求固定输入图片尺寸的要求。 FCN中可将卷积分为两个过程，分别使得图片“缩小”、“变大”。所谓“缩小”指的是经过卷积提取图片的特征，所谓“放大”指的是经过反卷积将“缩小”的特征图还原成与输入图像尺
FCN(全卷积神经网络)
m0_56312629的博客
03-22 1万+
本文介绍了全卷积神经网络(Fully Convolutional Networks，FCN)，FCN是将深度学习用于语义分割领域的开山之作，本文主要介绍了FCN的核心思想和结构。
【深度学习项目】语义分割-FCN网络（原理、网络架构、基于Pytorch实现FCN网络）
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
01-17 1万+
FCN（Fully Convolutional Networks，全卷积网络）是一种用于计算机视觉任务的神经网络架构，尤其擅长处理像素级别的分类问题，例如语义分割。FCN 的核心思想是将传统的 CNN（卷积神经网络）中的全连接层替换为卷积层，这样可以接受任意大小的输入图像，并输出同样大小的概率图，其中每个像素点对应于该位置属于某个类别的概率。
R-FCN目标检测模型原理
gusui7202的博客
12-25 1195
《R-FCN: Object Detection via Region-based Fully Convolutional Networks》 目录： 0. 模型总结 1. 模型结构分析 2. 创新点解读 3. 实验结果分析 4. 优缺点分析 ---------------------------------------------------------------- 0. 模型...
FCN算法的理解
qq_29462849的博客
11-07 431
详细内容请参考：https://blog.csdn.net/qq_36269513/article/details/80420363
FCN网络结构图
03-19
### FCN 全卷积网络结构概述 全卷积网络（Fully Convolutional Network, FCN）是一种专为图像语义分割设计的深度学习框架[^3]。其核心思想在于通过将传统的卷积神经网络（CNN）中的全连接层替换为卷积层，从而实现端到端的像素级预测[^1]。 #### FCN 的主要组成部分 FCN 的架构主要包括以下几个部分： 1. **卷积化**：经典的 CNN 中通常会包含全连接层来处理特征提取后的数据，而 FCN 则将其替换为卷积层，使整个网络完全由卷积操作构成[^4]。 2. **上采样机制**：由于卷积和池化操作会导致空间分辨率下降，因此 FCN 使用反卷积（Deconvolution 或 Transposed Convolution）的方式对特征图进行上采样，恢复原始输入图像的空间维度。 3. **Skip Layers (跳跃连接)**：为了融合不同层次的特征信息并提高细节保留能力，FCN 提出了 skip connections 技术，即将浅层网络的高分辨率特征与深层低分辨率特征相结合[^2]。 以下是基于上述描述的一个简化版 FCN 架构可视化： ```plaintext Input Image -> [Conv Layer(s)] -> Pooling -> [Conv Layer(s)] -> Pooling -> ↓ ↓ Skip Connection Feature Map (Low Resolution) ↑ ↑ Upsampling <- Deconvolution <- Upsampling <- Output Pixel-wise Prediction ``` 该流程展示了 FCN 如何逐步从高层抽象特征回归至像素级别输出的过程。 #### 可视化的具体实现 如果希望获得更直观的 FCN 结构图，可以通过以下几种途径获取或绘制： 1. 查阅原论文《Fully Convolutional Networks for Semantic Segmentation》附带的插图； 2. 借助工具如 TensorFlow/Keras Model Visualization API 或 PyTorch’s TorchVision 库生成模型拓扑图； 3. 手动利用绘图软件制作详细的分层展示图表。 下面是一个简单的 Python 代码片段用于定义基本 FCN 模型，并借助 Keras 工具导出其图形表示： ```python from tensorflow.keras import Input, Model from tensorflow.keras.layers import Conv2DTranspose, MaxPooling2D, Conv2D, concatenate def create_fcn(input_shape=(224, 224, 3), num_classes=21): inputs = Input(shape=input_shape) # Encoder Path with pooling and convolutions pool1 = MaxPooling2D(pool_size=(2, 2))(Conv2D(64, kernel_size=3, padding='same', activation='relu')(inputs)) pool2 = MaxPooling2D(pool_size=(2, 2))(Conv2D(128, kernel_size=3, padding='same', activation='relu')(pool1)) # Decoder Path using transpose convolutions & skip connections upsample_1 = Conv2DTranspose(128, kernel_size=3, strides=(2, 2), padding='same', activation='relu')(pool2) concat_1 = concatenate([upsample_1, pool1], axis=-1) output_layer = Conv2D(num_classes, kernel_size=1, activation='softmax')(concat_1) model = Model(inputs=[inputs], outputs=[output_layer]) return model model = create_fcn() # Save the plot of the architecture to a file. from tensorflow.keras.utils import plot_model plot_model(model, show_shapes=True, to_file="fcn_architecture.png") ``` 运行以上脚本后，“fcn_architecture.png” 文件即包含了所创建 FCN 模型的具体结构布局。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

SongpingWang

你的鼓励是我创作的最大动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值