语义分割之PSPNet个人总结

本文探讨了如何通过采用多尺度池化策略和金字塔池化结构来解决图像分类中常见的问题,如上下文语义关系理解不足、相似类混淆及不显眼类别的识别。此外,针对ResNet网络,引入了辅助损失层以简化优化过程,提高模型性能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. Architecture

作者想解决的问题有:
(1) 由于没有理解上下文语义关系导致类的错分,如水上的船被错分为car,而事实是car一般不在水上。
(2) 相似类的混淆: 如 摩天大楼、building、wall。
(3) 不显眼的类的划分,如路灯。
作者认为想解决这三个问题,在于要利用不同感受野的信息,并且要理解上下文语义关系。

于是作者致敬SPPNet,也采用了多尺度池化。
在这里插入图片描述

主要核心在于后面的金字塔池化,最后再进行concat。

2. Auxiliary Loss

在这里插入图片描述
这是专门针对ResNet的。虽然ResNet已经通过残差块来解决梯度消失的问题,但作者认为加一个loss层会使优化问题更简单。于是在如图位置加了一个loss。最后乘以一个权重alpha 与最后一层连接的loss相加,形成最终的loss。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值