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