<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    2. 

    <del id="afajh"><form id="afajh"></form></del>
    

    5. 

        1. <th id="afajh"><progress id="afajh"></progress></th>

          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>
          經(jīng)典的圖像語(yǔ)義分割模型
          共
                2559字，需瀏覽
                    6分鐘
                
           ·
          2021-10-25 12:56
          
 
           
  
          點(diǎn)擊下方卡片，關(guān)注“新機(jī)器視覺(jué)”公眾號(hào)
          
  
          視覺(jué)/圖像重磅干貨，第一時(shí)間送達(dá)
          
  
          
   
  
          
  
          
   來(lái)源：人工智能感知信息處理算法研究院
  
          
  
          
   
          
  
          
  
          
   
          
    
          
     
          
      
          
       
          
        
          
         
          
          
          
           
          
            
          
             
          
                   經(jīng)典的基于 CNN 的圖像語(yǔ)義分割模型有 FCN、SegNet、U-Net、PSPNet 和 DeepLab，主要針對(duì) FCN、SegNet 和 DeepLab 三個(gè)經(jīng)典模型進(jìn)行簡(jiǎn)要介紹。 
             
          
             
          
                   FCN 之所以稱(chēng)為全卷積神經(jīng)網(wǎng)絡(luò)模型，是因?yàn)?FCN 去掉了圖像分類(lèi)網(wǎng)絡(luò)中的全連接層，全連接層得到的是整張圖像的分類(lèi)結(jié)果，而圖像語(yǔ)義分割是實(shí)現(xiàn)對(duì)每一個(gè)像素點(diǎn)的分類(lèi)，因此去掉全連接層，且去掉全連接層后可使模型適應(yīng)不同尺寸圖像的輸入，由于最后的特征圖在提取特征過(guò)程中會(huì)丟失圖像位置信息，即得到的特征圖像素小于原圖像，基于該問(wèn)題，F(xiàn)CN 利用反卷積（Deconvolution）的方法對(duì)特征圖進(jìn)行上采樣操作，將其恢復(fù)到原始圖像尺寸，同時(shí)采用跳躍（Skip）結(jié)構(gòu)對(duì)不同深度層的特征圖進(jìn)行融合，然后利用監(jiān)督函數(shù)不斷進(jìn)行反向傳播，調(diào)整學(xué)習(xí)參數(shù)，最后得到最優(yōu)的參數(shù)模型。FCN 的網(wǎng)絡(luò)結(jié)構(gòu)圖如下：
             
          
             

          
             
          
             

          
             
          
                   SegNet 是在 FCN 的基礎(chǔ)上進(jìn)行的改進(jìn)，同時(shí)引入了預(yù)訓(xùn)練模型 VGG-16 提取圖像特征，SegNet 不同于 FCN，SegNet 采用的是對(duì)稱(chēng)的編碼器-解碼器結(jié)構(gòu)，這種結(jié)構(gòu)主要分為編碼器和解碼器兩個(gè)部分，編碼器采用 VGG-16 模型對(duì)圖像進(jìn)行特征提取，如上圖所示，每個(gè)編碼器包含多層卷積操作、BN、ReLU 以及池化層，其中卷積操作采用的是  same padding 方式，即圖像大小不會(huì)發(fā)生改變，而池化層采用的是步長(zhǎng)為 2 的2 × 2的最大池化，會(huì)降低圖像分辨率，如圖中所示，每一層編碼器得到的特征圖除了傳入下一層編碼器進(jìn)行特征提取外，同時(shí)要傳入對(duì)應(yīng)層的解碼器進(jìn)行上采樣，如此一來(lái)，有多少層編碼器就會(huì)對(duì)應(yīng)地有多少層解碼器，最終解碼器得到的特征圖會(huì)輸入到 SoftMax 分類(lèi)器中，繼而得到最后的預(yù)測(cè)圖。
             
          
             

          
             
          
             

          
             

          
             
          
                   DeepLab 模型是圖像語(yǔ)義分割領(lǐng)域中非常經(jīng)典的一個(gè)模型，包括 DeepLab  V1、V2和 V3 三個(gè)版本，由于 DeepLab V3 是在 DeepLab V2 的基礎(chǔ)上進(jìn)行的改進(jìn)，因此，本小節(jié)只簡(jiǎn)單介紹 DeepLab V1 和 DeepLab V2。 
             
          
             

          
             
          
                   DeepLab V1 借鑒了 FCN 的核心思想，以 VGG-16 作為主干網(wǎng)絡(luò)，去掉了最后的全連接層，同時(shí)也剪掉了兩個(gè)池化層，池化層是的主要作用是快速地?cái)U(kuò)大感受野，最大程度地利用上下文信息，但池化層的缺點(diǎn)是會(huì)導(dǎo)致圖像尺寸縮小，丟失空間位置信息，影響上采樣過(guò)程中信息的恢復(fù)。為了解決這個(gè)問(wèn)題，DeepLab V1 引入空洞卷積，總結(jié)來(lái)說(shuō)就是空洞卷積可以在保證參數(shù)不增加的前提下擴(kuò)大感受野，彌補(bǔ)了剪掉池化層導(dǎo)致的感受野變小的問(wèn)題，同時(shí) DeepLab V1 也引入了條件隨機(jī)場(chǎng)來(lái)增加分割精準(zhǔn)性。 
             
          
             
          
              
          
             
          
             
          
                   由于 ResNet 相對(duì)于 VGG-16 來(lái)說(shuō)具有更好的表現(xiàn)力，因此 DeepLab  V2 利用ResNet101 預(yù)訓(xùn)練模型替換了 DeepLab  V1 中的 VGG-16 模型，同時(shí)提出了空洞空間金字塔池化（簡(jiǎn)稱(chēng) ASPP），并將該結(jié)構(gòu)融入到了 ResNet101 中，ASPP 的每個(gè)分支處設(shè)置了不同的空洞率，可以提取到一張圖像中大小不同的同種目標(biāo)。DeepLab V1 和 DeepLabV2 的主要模塊分別是 Deep Lab-LargeFOV 和 DeepLab-ASPP，如下圖所示。
             
          
             

          
             

          
             
          
             

          
             

          
             
          
             

          
             
          
             

          
            
          
           
          
          
          
         
          
        
          
       
          
      
          
     
          
    
          
   
          
  
          
  
          —版權(quán)聲明—
          
  
          僅用于學(xué)術(shù)分享，版權(quán)屬于原作者。
          
  
          若有侵權(quán)，請(qǐng)聯(lián)系微信號(hào):yiyang-sy 刪除或修改！
          
  

          
  
          
   
          
    
          
     —THE END—
    
          
   
          
  
          
  
          
   
          
    
          
     
          
      
          
       
          
        
          
         
          
          
          
         
          
        
          
       
          
      
          
     
          
    
          
   
          
  
           
 
          

          瀏覽
                    109
          點(diǎn)贊
    
          評(píng)論
    
          收藏
    
          分享
        
          手機(jī)掃一掃分享
          分享
    
          
        舉報(bào)
    
          評(píng)論
          圖片
          表情
          推薦
        
          點(diǎn)贊
    
          評(píng)論
    
          收藏
    
          分享
        
          手機(jī)掃一掃分享
          分享
    
          
        舉報(bào)
    
          

          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            2. 

            <del id="afajh"><form id="afajh"></form></del>
            

            5. 

                1. <th id="afajh"><progress id="afajh"></progress></th>

                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  

国产精品白浆无码流出视频网站
|
九九九九久久久久
|
五月激情婷婷中文字幕
|
国产精品久久久婷婷五月
|
一级黄色免费
|