目录
前言
一、FCN的意义
二、先验知识
1.FCN-32S,FCN-16S,FCN-8S
2.上采样,下采样
3.大体网络结构
4.与传统网络(带全连接层的网络)区别
5.传统网络VGG网络结构
三、FCN网络结构解析
1.FCN-32S
2.FCN-16S
3.FCN-8S
!!!重要:FCN-16S和FCN-8S,都融合了相对底层的特征图信息
4.损失计算
总结
前言
随着人工智能的不断发展,深度学习这门技术也越来越重要,很多人都开启了学习深度学习,本文就介绍了深度学习图像分割的典型网络FCN的基础内容。
一、FCN的意义
意义:首个端到端(end to end)的针对像素级预测的全卷积网络
是深度学习图像分割领域的开山之作
二、先验知识
1.FCN-32S,FCN-16S,FCN-8S
这些都是FCN网络模型,不同之处在于后面的数字,他们代表对预测结果上采样的倍数
例如:FCN-32S代表对于预测结果进行32倍的上采样还原到原图大小
2.上采样,下采样
上采样(upsampling):又名放大图像、图像插值
上采样有3种常见的方法:双线性插值(bilinear),反卷积(Transposed Convolution),反池化(Unpooling);
下采样(subsampled):又名降采样、缩小图像;
其实下采样就是池化;
3.大体网络结构
4.与传统网络(带全连接层的网络)区别
4.1 全连接如何转变为卷积层
5.传统网络VGG网络结构
三、FCN网络结构解析
1.FCN-32S
这里有几点需要注意:
1.VGG Backbone就是图中上方画圈的部分,可以看到,原来224*224的被变为7*7,尺寸大小除以了32 ,所以从VGG Backbone输出的就是h/32,w/32
2.从VGG Backbone到FC7部分,用的都是VGG网络的权重参数,仅在后面增加了一个1*1大小的卷积层和转置卷积用于调整通道数和上采样恢复特征图大小
2.FCN-16S
可以看出来,前面部分与FCN-32S差别不大,区别就在于FCN-16S融合了MaxPooling4的特征图信息
3.FCN-8S
可以看出来,前面部分与FCN-32S差别不大,区别就在于FCN-8S融合了MaxPooling4和 MaxPooling3的特征图信息
!!!重要:FCN-16S和FCN-8S,都融合了相对底层的特征图信息
4.损失计算
对每个pixel在channel方向进行softmax处理,得到每一个类别的概率,与true label计算交叉熵损失,最后求平均,就可以得到整个网络最终的损失文章来源:https://www.toymoban.com/news/detail-450168.html
总结
FCN是深度学习分割的最基本网络,后来的网络基本思想和其相似(先下采样再上采样最终得到分割结果),当然也有很多改进,不过本人认为和FCN没有本质的区别,理解了FCN就理解了深度学习分割的精髓文章来源地址https://www.toymoban.com/news/detail-450168.html
到了这里,关于FCN全卷积神经网络的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!