https://blog.csdn.net/bailing910/article/details/82625918?ops_request_misc=&request_id=&biz_id=102&utm_term=82625918&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-82625918.first_rank_v2_pc_rank_v29
从粗粒度推理到细粒度推理的演变
语义分割是为场景理解铺平了道路的一种高层任务
语义分割问题是如何用深度学习框架解决的
从粗糙推理到精细化推理过程:
粗粒度推理，分类问题中，包括对整个输入做出预测，即预测哪个物体是属于这幅图像的，或者给出多个物体可能性的排序。
对于细粒度推理来说，将接下来进行物体的定位与检测，这将不止提供物体的类别，而且提供关于各类别空间位置的额外信息，比如中心点或者边框。
语义分割的目标是：对每个像素点进行密集的预测，这样每个像素点均被标注上期对应物体或区域的类别。这还可以进一步改进，比如实例分割（即对同一类的不同实例标以不同的标签），甚至是基于部分的分割（即对已经分出不同类别的图像进行底层分解，找到每个类对应的组成成分）。
AlexNet首创了深度卷积神经网络模型。
VGG由16个权重层组成，因此也被称为VGG-16，VGG-16与之前的模型的主要的不同之处在于，其在第一层使用了一堆小感受野的卷积层，而不是少数的大感受野的卷积层。这使得模型的参数更少，非线性性更强，也因此使得决策函数更具区分度，模型更好训练。
GoogLeNet，这个CNN模型以其复杂程度著称，事实上，其具有22个层以及新引入的inception模块，这种新的方法证实了CNN层可以有更多的堆叠方式，而不仅仅是标准的序列方式。实际上，这些模块由一个网络内部的网络层（NiN）、一个池化操作、一个大卷积核的卷积层及一个小核的卷积层组成。所有操作均并行计算出来，而后进行1×1卷积操作来进行降维。由于这些模块的作用，参数及操作的数量大大减少，网络在存储空间占用及耗时等方面均取得了进步。
ResNet网络还以其高达152层的深度以及对残差模块的引入而闻名。
ReNet，为了将循环神经网络 RNN 模型扩展到多维度的任务上 ，多维度循环神经网络（MDRNN）模型。
迁移学习的一种重要的做法便是从之前训练好的网络开始继续训练过程来微调模型的权重值。
标签：分割,综述,卷积,模型,语义,推理,物体 来源： https://www.cnblogs.com/ethan-tao/p/14536767.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。