本文介绍了计算机视觉中的语义分割任务，包括FCN全卷积网络、反卷积和反池化在解决低分辨率问题上的应用。深入探讨了DeepLab V1的空洞卷积和全连接条件随机场(CRF)优化策略。此外，还讨论了U-Net网络结构，其在医学影像分割中的应用，以及数据预处理、图像增强和Dice系数等关键概念。最后提到了3D U-Net和DenseNet在处理3D数据和特征传递方面的作用。
语义分割：从像素（pixel-level）水平上，理解识别图片的内容，根据语义信息分割。
输入：图片 输出：同尺寸的分割标记，每个像素会被识别为一个类别
FCN全卷积网络 所有层都是卷积层，相对位置保持不变，。解决降采样后的低分辨率问题
全卷积化：将所有全连接层转换成卷积层，适应任意尺寸输入，输出低分辨率分割图片。
反卷积：将低分辨率图片进行上采样，输出同分辨率分割图片
挑层结构：精化分割图片
反卷积：转置卷积 卷积的逆操作？ 可以拟合出双线性插值
外围全补零； 插零分数步长反卷积（步长可以为小数）
上采样三种实现： 双线性插值：特点是不需要进行学习，运行速度快操作简单
反卷积：是为了还原原有特征图，类似消除原有卷积的某种效果
反池化：在池化过程中记录下池化后元素在对应kernel中的坐标，作为反池化的索引
FCN-跳层结构 原因：直接使用32倍反卷积得到分割结果粗糙。
使用前两个卷积层的输出做融合
浅层体现细节，深层表达语义
最低0.47元/天 解锁文章
328
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
