许昌住房建设局网站,wordpress网站建设要钱吗,商城官方平台入口,百度网站统计目录前言一.FCN网络二.网络创新点前言 在图像分割领域#xff0c;有很多经典的网络#xff0c;如MASK R-CNN#xff0c;U-Net#xff0c;SegNet#xff0c;DeepLab等网络都是以FCN为基础进行设计的。我们这里简单介绍一下这个网络。
一.FCN网络
FCN网络介绍 FCN 即全…
目录前言一.FCN网络二.网络创新点前言 在图像分割领域有很多经典的网络如MASK R-CNNU-NetSegNetDeepLab等网络都是以FCN为基础进行设计的。我们这里简单介绍一下这个网络。
一.FCN网络
FCN网络介绍 FCN 即全卷积网络是收割端对端的针对像素级预测的端对端的全卷积网络。这里全卷积的意思就是将分类网络的全连接层给换成了卷积层。FCN 简单有效目前很多网络的架构还是建立在FCN之上。 看下FCN网络的整体框架 通过上面这幅图可以看出FCN也是非常的简单的就是通过一些列的卷积下采样得到最后的特征层。最后输出channel是21,是因为当时主要是使用的数据集是pascal voc数据集总共20个类别加上背景总共21。对着21个值进行softmax处理就能得到该像素针对每个类类别的预测概率取该像素最大的那个类别作为预测类别。 我们来看下论文中提到的convolutionalization如下图所示 上面一部分是使用功能全连接层得到最终的维度为1000的向量全连接层有个弊端输入图像的大小必须是固定的这样就很不友好于是作者想能不能把全连接层全部替换成卷积层于是就出现了下面的结构。输入图像的大小可以是任意的。 那么最后的输出就不是一个一维向量了就变成了(m,n,c)对应每个channel就是一个2D的数据可以可视化成一个heatmap图。 下面我们来看下convolutionalization的过程 上面是全连接层下面是把去全连接层替换成了卷积层。其中全连接层的计算量和卷积的计算量分别为全连接是25088×409610276044825088\times409610276044825088×4096102760448卷积的计算量是7×7×512×40961027604487\times7\times512\times40961027604487×7×512×4096102760448。可以看到他们的计算量是一模一样的。可以这样理解把全连接的权重可以reshape一下就是下面的卷积核。 FCN中总共给了三个模型分别是FCN-32s16s8s这个数字表示需要把最后的特征层上采样几倍能够恢复到原图尺寸大小整个网络以VGG为骨干后面全连接改成卷积层看两个例子
二.网络创新点 FCNFully Convolutional Network网络将传统的全连接层替换为全卷积层从而使得网络可以输入任意大小的图像并输出对应大小的密集预测。这种创新使得FCN网络可以用于像分割、检测、定位等密集预测任务而不需要事先对输入图像进行裁剪或调整大小。FCN网络还利用了反卷积层deconvolutional layer将特征图映射回原始输入图像上从而生成像素级别的密集预测结果。 此外FCN网络还引入了跳跃式连接skip connections的思想将底层和中间层的特征图与上采样后的特征图进行连接从而提高网络对局部细节和全局语义的把握能力。这种连接方式类似于U-Net网络中的跨层连接但FCN网络的跳跃式连接是在全卷积网络中引入的一种新思想。通过这种方式FCN网络可以在保留高分辨率信息的同时充分利用底层特征提取器的语义信息从而提高了分割精度。 总结 FCN网络的创新点主要体现在两个方面全卷积层的应用和跳跃式连接的设计。这些创新使得FCN网络成为了当今计算机视觉领域中最重要的分割网络之一为其他密集预测任务的研究和应用提供了重要的启示。
