电脑网站怎么做的,抽奖网站插件,网站 开发 备案代理,如何自己搭建一个企业网站这里写目录标题全卷积网络FCN1、FCN2、FCN上采样3、 FCN具体实现过程转置卷积全卷积网络FCN
引用#xff1a;http://t.csdn.cn/pDcjL
1、FCN
FCN: FCN是对图像进行像素级的分类#xff08;也就是每个像素点都进行分类#xff09;#xff0c;从而解决了语义级别的图像分割…
这里写目录标题全卷积网络FCN1、FCN2、FCN上采样3、 FCN具体实现过程转置卷积全卷积网络FCN
引用http://t.csdn.cn/pDcjL
1、FCN
FCN: FCN是对图像进行像素级的分类也就是每个像素点都进行分类从而解决了语义级别的图像分割问题。与经典CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同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基层的特征图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一个像素都产生一个预测同时保留了原始输入图像中的空间信息最后奇偶在上采样的特征图进行像素的分类。 简单的说FCN与CNN的区别在于FCN把CNN最后的全连接层换成卷积层其输出的是一张已经标记好的图而不是一个概率值。
2、FCN上采样
上采样对于低分辨率的特征图常常采用上采样的方式将它还原高分辨率这里陈述上采样的三种方法 2.1、双线性插值上采样 2.2、反卷积上采样 2.3、反池化上采样 反池化可以用下图来理解再池化时需要记录下池化的位置反池化时把池化的位置直接还原其他位置填0 三种方法各有优缺双线性插值方法实现简单无需训练反卷积上采样需要训练但能更好的还原特征图
3、 FCN具体实现过程
FCN与CNN的核心区别就是FCN将CNN末尾的全连接层转化成了卷积层以Alexnet为例输入是2272273的图像前5层是卷积层第5层的输出是256个特征图大小是66即25666第6、7、8层分别是长度是4096、4096、1000的一维向量。如下图所示 在FCN中第6、7、8层都是通过卷积得到的卷积核的大小全部是1 * 1第6层的输出是4096 * 7 * 7第7层的输出是4096 * 7 * 7第8层的输出是1000 * 7 * 77是输入图像大小的1/32,即1000个大小是77的特征图称为heatmap如下图所示
转置卷积
上采样的方法