本文深入探讨了全卷积网络（FCN）在端到端像素级预测任务中的应用，包括语义分割。FCN通过转换全连接层为卷积层，解决了传统CNN因池化导致的分辨率降低问题。通过引入“skip”联系，结合深度和局部信息，提高了预测精度。此外，文章还介绍了shift-and-stitch、patchwise training和本文采用的skip方法在密集预测中的不同策略。
1. 摘要&介绍
训练一个end-to-end, pixels-to-pixels的全卷积网络，使得任意大小的输入会产生对应大小的输出。
Improving:whole-image classification, bounding box object detection, part and key-point prediction, local correspondence（局部匹配）.
训练end-to-end FCN: (1) pixelwise prediction; (2)supervised pre-training.
New FCN: does not use of pre- and post-processing complications;
重新分类全卷积网络并且微调已有模型进行dense prediction;
定义一个新的结构”skip”联系（深度，粗糙，语义信息）和（浅显，精细，表层信息）。
semantic segmentation所面临的固有矛盾：全局信息解决什么；局部信息解决哪里。
2. FCN
最低0.47元/天 解锁文章
1125
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
