图像分割学习笔记2

1、语义分割 1.1 DeepLab全卷积网络

  ①基本结构

    1)优化后的DCNN+传统的CRF图模型

  ②新的上采样卷积方案

    1)带孔(hole)结构的膨胀卷积(Atrous/Dilated convolution)

  ③多尺度图片表达

    1)Atrous空间金字塔池化(Atrous Spatial Pyramid Pooling)

  ④边界分割的优化

    1)使用全连接条件随机场CRF进行迭代优化 

 1.1.1 结构

  ①模块1:DCNN输出粗糙的分割结果

  ②模块2:全连接CRF精化分割结果

图像分割学习笔记2

1.1.2 孔(Hole)算法

  ①解决原始FCN网络的输出低分辨率问题(100padding)

  ②降低池化层的降采样倍数

    1)VGG16网络Pool4和Pool5层的步长:2->1

    2)减小降采样倍数:32->8

    3)后续卷积核的感受野(Field-Of-View)会受影响(变小)

    4)这些卷积核无法用来fine-tune

  ③更改卷积核的结构->加孔(Hole)

    1)无上采样功能

    2)恢复感受野,可以用来fine-tune

    3)保证了网络最终的高分辨率输出(仅8倍降采样)

  ④卷积核结构

    1)尺寸不变(3x3),元素间距变大(1->2)

    2)步长不变(1)

  ⑤优势

    1)参数数量不变

    2)计算量不变

    3)高分辨输出

  ⑥采用层

    1)conv5:孔尺寸2

    2)conv6:孔尺寸4

图像分割学习笔记2

1.1.3 膨胀卷积(Atrous/Dilated convolution)

  ①孔算法的正式名称

  ②与降低池化层步长配对使用,以取代上采样反卷积

  ③孔尺寸->Rate

    1)Rate越大,感受野越大

  

图像分割学习笔记2

  

图像分割学习笔记2

  

图像分割学习笔记2

  ④膨胀卷积效果

    1)稀疏特征提取:x2降采样->7x7卷积->x2上采样

    2)稠密特征提取:7x7膨胀卷积

  ⑤优势

    1)参数&计算量一样

    2)灵活控制分辨率

  

图像分割学习笔记2

1.1.4 Atrous空间金字塔池化(Atrous Spatial Pyramid Pooling)

  ①不同感受野(rate)捕捉不同尺度上的特征

  ②在conv6层引入4个并行膨胀卷积

    1)Rate:6,12,18,24

  

图像分割学习笔记2

  ③4个并行膨胀卷积

    1)感受野:13x13,25x25,37x37,49x49

  ⑤Fc6->Fc7->Fc8

    1)深度:4096->2014->类别数量

    2)卷积核:3x3->1x1->1x1

  ⑥融合:概率相加

  

图像分割学习笔记2

 

 1.1.5 全连接CRF

  ①作用:通过迭代精化分割结果(恢复精确边界)

  ②输入

    1)首次:FCN网络输出结果的8倍双线性插值

    2)非首次:上一轮迭代结果

  ③能量计算基于图片RGB像素值

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zgjzyg.html