标签：Convolutional 采样 分割 卷积 Fully 图像 8s Networks FCN

Fully Convolutional Networks （2015）

图像分割即对每一个像素进行预测

我们分类使用的网络通常会在最后连接几层全连接层，它会将原来二维的矩阵（图片）压扁成一维的，从而丢失了空间信息，最后训练输出一个标量，这就是我们的分类标签。而图像语义分割的输出需要是个分割图，且不论尺寸大小，但是至少是二维的。所以，我们需要丢弃全连接层，换上全卷积层，而这就是全卷积网络了

一、模型

​ （1）

​ （2）

​ （3）

上面图一描绘的是FCN的整体结构，前面特征提取的网络可以采用一些成功的分类网络（如VGG等），参数带入进来再进行一些微调就好。对图像的特征提取后（即下采样后），再采用反卷积的方式对特征图进行上采样，恢复到原图的尺寸，这样来实现图像的分割。

图二是展示的将分类网络迁移进FCN。

论文中提到的三种FCN结构：FCN-8s、FCN-16s、FCN-32s，每一个对前面不同尺度的特征结合程度不同，数字代表最后一层进行几倍的上采样。

二、实验

FCN-8s与SDS、R-CNN的比较，FCN-8s在PASCAL VOC2011和2012测试集上的mean IU分别达到了62.7和62.2。

FCN-8s和几个当时比较先进的分割模型输出的结果的对比。（注：最后一行，那个救生艇上面不是人，全是救生衣...）。

三、待改进之处

1、FCN为了使得前面部分卷积池化之后输出的特征图尺寸不要太小，作者在第一层直接对原图加了100的padding，可想而知，这会引入噪声

四、意义

1、FCN的意义在于，它首次将深度学习引入到图像分割的领域。通过去除分类网络后面全连接层的方式，来获取到二维的特征图（虽然分辨率只有原图的1/32），再用反卷积（上采样）的方式来根据二维特征图还原成最终输出。

2、FCN的主要特点归为三点：卷积化、上采样、skip结构

标签：Convolutional,采样,分割,卷积,Fully,图像,8s,Networks,FCN
来源： https://www.cnblogs.com/biandekeren-blog/p/15371969.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。