没有合适的资源?快使用搜索试试~ 我知道了~
DeepLearning深度学习教程_第九章_图像分割.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 164 浏览量
2023-08-23
21:13:10
上传
评论
收藏 4.92MB PDF 举报
温馨提示
试读
35页
DeepLearning 深度学习 经验总结
资源推荐
资源详情
资源评论
DeepLearning
第九章第九章 图像分割图像分割
DeepLearning
DeepLearning
1
1
2
3
3
3
4
5
5
5
6
7
8
10
10
13
14
15
17
18
18
19
19
20
22
22
23
23
25
25
27
27
28
29
31
31
32
32
⽬录
第九章第九章 图像分割图像分割
9.1 图像分割算法分类?
9.2 传统的基于CNN的分割⽅法缺点?
9.3 FCN
9.3.1 FCN改变了什么?
9.3.2 FCN⽹络结构?
9.3.3 全卷积⽹络举例?
9.2.4 全连接层和卷积层如何相互转化?
9.2.5 为什么传统CNN的输⼊图⽚是固定⼤⼩?
9.2.6 把全连接层的权重W重塑成卷积层的滤波器有什么好处?
9.2.7 反卷积层理解
9.2.8 跳级(skip)结构
9.2.9 模型训练
9.2.10 FCN缺点
9.3 U-Net
9.4 SegNet
9.5 空洞卷积(Dilated Convolutions)
9.6 RefineNet
9.7 PSPNet
9.8 DeepLab系列
9.8.1 DeepLabv1
9.8.2 DeepLabv2
9.8.3 DeepLabv3
9.8.4 DeepLabv3+
9.9 Mask- R- CNN
9.9.1 Mask- RCNN 的⽹络结构⽰意图
9.9.2 RCNN⾏⼈检测框架
9.9.3 Mask- RCNN 技术要点
9.10 CNN在基于弱监督学习的图像分割中的应⽤
9.10.1 Scribble标记
9.10.2 图像级别标记
9.10.3 DeepLab+bounding box+image- level labels**
9.10.4 统⼀的框架
9.11 DenseNet(贡献者:黄钦建-华南理⼯⼤学)
9.12 图像分割的常⽤数据集
9.12.1 PASCAL VOC
9.12.2 MS COCO
9.12.3 Cityscapes
DeepLearning
第九章 图像分割
9.1 图像分割算法分类?
9.2 传统的基于CNN的分割⽅法缺点?
9.3 FCN
9.3.1 FCN改变了什么?
9.3.2 FCN⽹络结构?
9.3.3 全卷积⽹络举例?
9.2.4 全连接层和卷积层如何相互转化?
9.2.5 为什么传统CNN的输⼊图⽚是固定⼤⼩?
9.2.6 把全连接层的权重W重塑成卷积层的滤波器有什么好处?
9.2.7 反卷积层理解
9.2.8 跳级(skip)结构
9.2.9 模型训练
9.2.10 FCN缺点
9.3 U-Net
9.4 SegNet
9.5 空洞卷积(Dilated Convolut ions)
9.6 Ref ineNet
9.7 PSPNet
9.8 DeepLab系列
9.8.1 DeepLabv1
9.8.2 DeepLabv2
9.8.3 DeepLabv3
9.8.4 DeepLabv3+
9.9 Mask-R-CNN
9.9.1 Mask-RCNN 的⽹络结构⽰意图
9.9.2 RCNN⾏⼈检测框架
9.9.3 Mask-RCNN 技术要点
9.10 CNN在基于弱监督学习的图像分割中的应⽤
9.10.1 Scribble标记
9.10.2 图像级别标记
9.10.3 DeepLab+bounding box+image-level labels**
9.10.4 统⼀的框架
9.11 DenseNet (贡献者:黄钦建-华南理⼯⼤学)
9.12 图像分割的常⽤数据集
9.12.1 PASCAL VOC
9.12.2 MS COCO
9.12.3 Cit yscapes
第九章 图像分割
9.1 图像分割算法分类?
图像分割是预测图像中每⼀个像素所属的类别或者物体。基于深度学习的图像分割算法主要分为两类:
1.语义分割语义分割
为图像中的每个像素分配⼀个类别,如把画⾯中的所有物体都指出它们各⾃的类别。
第九章 图像分割
1/33
DeepLearning
2.实例分割实例分割
与语义分割不同,实例分割只对特定物体进⾏类别分配,这⼀点与⽬标检测有点相似,但⽬标检测输出的是边界框和类别,
⽽实例分割输出的是掩膜(mask)和类别。
9.2 传统的基于CNN的分割⽅法缺点?
传统的基于CNN的分割⽅法:为了对⼀个像素分类,使⽤该像素周围的⼀个图像块作为CNN的输⼊,⽤于训练与预测,这种
⽅法主要有⼏个缺点:
1)存储开销⼤,例如,对每个像素使⽤15 * 15的图像块,然后不断滑动窗⼝,将图像块输⼊到CNN中进⾏类别判断,因
此,需要的存储空间随滑动窗⼝的次数和⼤⼩急剧上升;
2)效率低下,相邻像素块基本上是重复的,针对每个像素块逐个计算卷积,这种计算有很⼤程度上的重复;
3)像素块的⼤⼩限制了感受区域的⼤⼩,通常像素块的⼤⼩⽐整幅图像的⼤⼩⼩很多,只能提取⼀些局部特征,从⽽导致分
类性能受到限制。
第九章 图像分割
2/33
DeepLearning
⽽全卷积⽹络(FCN)则是从抽象的特征中恢复出每个像素所属的类别。即从图像级别的分类进⼀步延伸到像素级别的分类。
9.3 FCN
9.3.1 FCN改变了什么?
对于⼀般的分类CNN⽹络,如VGG和Resnet ,都会在⽹络的最后加⼊⼀些全连接层,经过sof t max后就可以获得类别概率
信息。但是这个概率信息是1维的,即只能标识整个图⽚的类别,不能标识每个像素点的类别,所以这种全连接⽅法不适⽤于
图像分割。
⽽FCN提出可以把后⾯⼏个全连接都换成卷积,这样就可以获得⼀张2维的feat ure map,后接sof t max层获得每个像素点
的分类信息,从⽽解决了分割问题,如图4。
图 4
9.3.2 FCN⽹络结构?
FCN对图像进⾏像素级的分类,从⽽解决了语义级别的图像分割(semantic segmentat ion)问题。与经典的CNN在卷积层
之后使⽤全连接层得到固定长度的特征向量进⾏分类(全联接层+sof t max输出)不同,FCN可以接受任意尺⼨的输⼊图
像,采⽤反卷积层对最后⼀个卷积层的f eat ure map进⾏上采样, 使它恢复到输⼊图像相同的尺⼨,从⽽可以对每个像素都产
⽣了⼀个预测, 同时保留了原始输⼊图像中的空间信息, 最后在上采样的特征图上进⾏逐像素分类。
下图是语义分割所采⽤的全卷积⽹络(FCN)的结构⽰意图:
第九章 图像分割
3/33
剩余34页未读,继续阅读
资源评论
安全方案
- 粉丝: 1241
- 资源: 4008
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功