zoukankan      html  css  js  c++  java
  • 图像分割

    图像分割,也可以称为 语义分割,图像语义分割,

    它是指像素级的分类,即图像上每个像素的类别,如属于 人还是兽,从而进行区域分割; 

    FCN VS CNN 网络结构

    CNN 是图像级的分类,很多地方把他们混在一起讲了一大堆,个人觉得没必要,本文只讲重要的,废话请百度;

    全卷积网络,Full Convolutional Networks,它是 图像分割 的基础框架,很多模型都是基于 FCN 进行的改进;

    全卷积网络,顾名思义,就是没有全连接,类比 CNN ,就是把 全连接改成 卷积,就是全卷积网络了;

    后面的 3 个全连接改成了 全卷积;

    FCN 网络

    1. image 经过 conv 和 pool 得到 pool1 的 feature map,size 变为 1/2;

    2. pool1 经过 conv 和 pool 得到 pool2 的 feature map,size 变为 1/4;

    3. 依次...,最终得到 5 个 feature map;

    作者对 这 5 个 feature map 进行了几种尝试:

    1.  直接把 feature map 5 进行 32 倍上采样,得到和原图 size 一致的 图像,称为 FCN32;

    feature map 5 x 32

    2. 保留 feature map 4,把 feature map 5 进行 2 倍上采样,然后和 feature map 4 逐点相加,再进行 16 倍上采样,得到和原图 size 一致的图像,称为 FCN16;

    (feature map 5 x 2 + feature map 4) x 16

    3. 先把 feature map 5 进行 2 倍上采样,然后和 feature map 4 逐点相加得到 fm,在把 fm 进行 2 倍上采样,和 feature map 3 进行逐点相加,然后进行 8 倍 上采样,称为 FCN8;

    [(feature map 5 x 2 + feature map 4) x 2 + feature map 3] x 8

    最终在每个像素上采样 softmax 进行分类评分,做损失,做预测等;

    尝试结果如下图

    很明显,FCN8 效果最好,它 保留的 浅层特征最多; 

    FCN 的原理就是这么简单,当然还有些细节,比如 图片过小的话,pool5 可能很小,甚至为 0,这些不重要;

    FCN 图示

    最后的 21 是 20 个类别 + 1 个背景,21 类; 

    FCN 总结

    优点:端到端;输入尺寸无需固定;

    缺点:分割不够精细;对像素进行独立分类,没有考虑像素之间的关系;

    参考资料:

    https://zhuanlan.zhihu.com/p/34453588  FCN 论文笔记

    https://zhuanlan.zhihu.com/p/31428783  图像语义分割入门+FCN/U-Net网络解析

  • 相关阅读:
    hdfs校验和
    hdfs读写策略
    hdfs架构
    hdfs数据块
    元数据
    集群的创建
    jQuery_DOM操作
    jQuery_简介_选择器
    Ajax
    MySQL整理_2_数据库操作
  • 原文地址:https://www.cnblogs.com/yanshw/p/12515277.html
Copyright © 2011-2022 走看看