SegNet是一种深度卷积网络，用于像素级预测任务。它由编码器、解码器和softmax分类层构成，能利用上下文信息进行平滑预测。网络通过记住池化位置进行上采样，具有固定数量的特征图，降低了计算复杂度。训练过程中，使用逆类别频率权重处理类别不平衡，并通过解码网络将特征激活反向映射到像素标签空间，揭示了网络层间的学习特性。
Abstract
SegNet网络具有以下几个优点：仅在训练好的模型上进行前向计算便可得到平滑的像素级预测；网络层数的加深有助于利用更大的context来进行预测；可以方便的查看任意层特征激活的影响。
1.Introduction
SegNet由encoder，decoder和softmax分类层组成。因为最深的特征提取层一般因为降采样都具有较小的分辨率，ad hoc 方法通过用一个block复制特征来上采样特征层到input dimension(例如，所有8*8 pixel的block都有相同的特征)。
SegNet的每一层都具有固定数量的featrue map，当层数加深的时候，可以减少计算量。
2. Literature Review
使用各种形式的CRF后处理只会增加sky，road，building等主导结构的准确率，对同样重要但是thin structured 比如，signs，poles，pedestrians具有较小的影响。
最低0.47元/天 解锁文章
4385
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
