标签：deeplab DeepLab 分割 系列 卷积 UNET 参数 图像

前言

昨天使用UNET网络对人像进行实例分割，训练的结果已经到达理想状态，但是测试结果不尽人意。
放两张图进行对比一下。
训练20轮的结果：

测试图像结果：

而后得知，UNET最初是用作医疗行业，对于小型目标的检测，比如一个细胞等。对于大块人物效果便不太理想。所以学习DeepLab系列。

DeepLab系列

图像分割中的传统做法：

• 为了增大感受野，通常学则pooling操作。

但是这样也会丢失信息。

空洞卷积

dilated convolution

优势：

• 图像分割任务中（其他场景也适用）需要较大反首页来更好完成任务
• 通过设置 dilation rate参数来完成空洞卷积，并没有额外计算
• 可以按照参数扩大任意倍数的感受野，而且没有引入额外的参数
• 应用简单，就是卷积层中多设置一个参数就可以了

SPP

ASPP

标签：deeplab,DeepLab,分割,系列,卷积,UNET,参数,图像
来源： https://www.cnblogs.com/Gazikel/p/15834830.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。