深度学习论文（八）---DeepLabV1-SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED C

最新推荐文章于 2022-10-09 10:02:56 发布

Teeyohuang

最新推荐文章于 2022-10-09 10:02:56 发布

阅读量3.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习论文文章标签： caffe 深度学习

本文链接：https://blog.youkuaiyun.com/Teeyohuang/article/details/77193653

注：本篇算是半讲解半翻译吧，我真的觉得这篇论文写的很难理解.......可能是我水平不够，也可能作者省略了一些具体信息，主要是提供了他的idea吧。

但是DeepLab这个思路的确是不错，所以这个论文还是有必要看的。

1、导引

• Our system works directly on the pixel representation, similarly to FCN ，Long et al. (2014).
他们的系统和FCN十分相似，也是直接对像素进行预测。

• we believe it is advantageous that segmentation is only used at a later stage, avoiding the commitment to premature decisions.
他们坚信分割的步骤放在最后的阶段要好一些，以此避免一些前面不成熟的预测。

• The main difference between our model and other state-of-the-art models is the combination of pixel-level CRFs and DCNN-based ‘unary terms’.
他们的模型和其他的state-of-art的模型最大的区别就是他们把基于像素水平的CRFs和基于DCNN的一元表示相结合。

• Our approach instead treats every pixel as a CRF node, exploits long-range dependencies, and uses CRF inference to directly optimize a DCNN-driven cost function.
我们的方法不是把每一个像素点为CRF节点，而是利用远程依赖关系，并使用CRF推理直接优化DCNN驱动的损失函数。

• We note that mean field had been extensively studied for traditional image segmentation/ edge detection tasks, but recently Koltun showed that the inference can be very efficient for fully connected CRF and particularly effective in the context of semantic segmentation
我们注意到，平均场已被广泛研究用于传统图像分割/边缘检测任务，但是最近Koltun表明，对于全连接的CRF，推理可以是非常有效的，并