GraphQL 人脸识别 存量客户 swift sharepoint replace charts split redis常用语句 3d angular material webkit 管理后台框架 后台管理系统模板 jq获取元素宽度 oracle无效的列索引 bootstrap中文api文档 移动端上传图片插件 oracle连接字符串 ssr链接解析 destoon python的range python中items python的安装 python零基础 java中的接口 java开发教程 java数组扩容 java求阶乘 java获取url javascript实例 广告代码 电子书之家 linux操作系统原理 制作字幕的软件 联发科p70 黑白照片一键变彩色 海妖花粉哪里多 fireworks8序列号 烧饼修改器打不开
当前位置: 首页 > 学习教程  > 编程语言

FCN全卷积神经网络

2020/7/24 9:52:46 文章标签:

全卷积神经网络

通常的CNN网络在卷积层后会接上若干个全连接层,将卷积层映射称为一个固定长度的特征向量,比如在Imagenet模型中最后输出的就是一个1000维的向量来表述,得到的是预测不同的维度的概率。

在这里插入图片描述
FCN 是对图像进行像素级的分类,解决了语义级别的图像分割。
传统的CNN 接受的图像尺寸大小是固定的,FCN可以接受任意尺寸的输入图像,并且采用反卷积对卷积层进行上采样,使图像恢复到原来图像的尺寸大小,从而对每个像素都进行了预测。

FCN与传统的区别是将全连接改成了全卷积,是最后得到的输出结果是一张label好的图片。

在这里插入图片描述

自我感觉上图是FCN中描述比较准确的一张图,而且很容易理解,其中FCN-32S 是在最后一个卷积层然后进行上采样32倍得到输出结果。
FCN-8S 是在最后一个卷积层先上采样2倍,然后与倒数第二个大的卷积层进行相加融合,然后在上采样二倍,然后与倒数第三个卷积层进行融合,然后最后进行上采样8倍得到最后结果。

缺点

1.是得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多,但是上采样的结果还是比较模糊和平滑,对图像中的细节不敏感。
2.是对各个像素进行分类,没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整(spatial regularization)步骤,缺乏空间一致性。

FCN上采样用的方法是转置卷积,计算起来过于复杂,后续发展的网络采用较多的上采样方法是双线性插值。


本文链接: http://www.dtmao.cc/news_show_50151.shtml

附件下载

相关教程

    暂无相关的数据...

共有条评论 网友评论

验证码: 看不清楚?