From 590cfa1ecef65138749f025facf93498c23baaf2 Mon Sep 17 00:00:00 2001 From: l0rraine Date: Fri, 29 Jan 2021 11:12:41 +0800 Subject: [PATCH] =?UTF-8?q?Update=20=E7=AC=AC=E4=B9=9D=E7=AB=A0=5F?= =?UTF-8?q?=E5=9B=BE=E5=83=8F=E5=88=86=E5=89=B2.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 修整图片 --- ch09_图像分割/第九章_图像分割.md | 13 ++++++++++++- 1 file changed, 12 insertions(+), 1 deletion(-) diff --git a/ch09_图像分割/第九章_图像分割.md b/ch09_图像分割/第九章_图像分割.md index f7272f2..6f4f5a1 100644 --- a/ch09_图像分割/第九章_图像分割.md +++ b/ch09_图像分割/第九章_图像分割.md @@ -39,6 +39,7 @@ ![](img/ch9/figure_9.1.1_2.jpg)
图 4
+ ### 9.3.2 FCN网络结构？ ​ 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。 @@ -103,12 +104,15 @@ ![](img/ch9/figure_9.1.7_1.png)
一个分类网络
+ ![](img/ch9/figure_9.1.7_2.png)
变为全卷积网络
+ ![](img/ch9/figure_9.1.7_3.png)
End-to-end, pixels-to pixels网络
+ ![](img/ch9/figure_9.1.7_4.jpg) @@ -135,7 +139,9 @@ Upsampling的操作可以看成是反卷积(deconvolutional)，卷积运算的 ![](img/ch9/figure_9.1.8_1.png)
上图中的反卷积，input是2×2, output是4×4。 Zero padding, non-unit strides, transposed。
+ ![](img/ch9/figure_9.1.8_2.png) +
上图中的反卷积，input feature map是3×3, 转化后是5×5, output是5×5
### 9.2.8 跳级(skip)结构 @@ -143,6 +149,7 @@ Upsampling的操作可以看成是反卷积(deconvolutional)，卷积运算的 对CNN的结果做处理，得到了dense prediction，而作者在试验中发现，得到的分割结果比较粗糙，所以考虑加入更多前层的细节信息，也就是把倒数第几层的输出和最后的输出做一个fusion，实际上也就是加和： ![](img/ch9/figure_9.1.9_1.png) +    实验表明，这样的分割结果更细致更准确。在逐层fusion的过程中，做到第三行再往下，结果又会变差，所以作者做到这里就停了。 @@ -169,28 +176,32 @@ Upsampling的操作可以看成是反卷积(deconvolutional)，卷积运算的 *对于不同尺寸的输入图像，各层数据的尺寸（height，width）相应变化，深度（channel）不变。* ![](img/ch9/figure_9.1.10_1.png) +    （1）全卷积层部分进行特征提取, 提取卷积层（3个蓝色层）的输出来作为预测21个类别的特征。 -   +     （2）图中虚线内是反卷积层的运算, 反卷积层（3个橙色层）可以把输入数据尺寸放大。和卷积层一样，升采样的具体参数经过训练确定。      1) 以经典的AlexNet分类网络为初始化。最后两级是全连接（红色），参数弃去不用。 ![](img/ch9/figure_9.1.10_2.png) +      2) 从特征小图（）预测分割小图（），之后直接升采样为大图。 ![](img/ch9/figure_9.1.10_3.png)
反卷积（橙色）的步长为32，这个网络称为FCN-32s
+      3) 升采样分为两次完成（橙色×2）, 在第二次升采样前，把第4个pooling层（绿色）的预测结果（蓝色）融合进来。使用跳级结构提升精确性。 ![](img/ch9/figure_9.1.10_4.png)
第二次反卷积步长为16，这个网络称为FCN-16s
+      4) 升采样分为三次完成（橙色×3）, 进一步融合了第3个pooling层的预测结果。