PSPnet：Pyramid Scene Parsing Network

最新推荐文章于 2025-09-05 16:49:14 发布
原创 最新推荐文章于 2025-09-05 16:49:14 发布 · 1.1w 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pspnet #Pascal #卷积神经网络 #语义分割 #ResNet

本文介绍了一种用于图像分割的新型网络PSPNet，它通过整合多种尺度的全局信息来提高分割精度。此外，文章还提出了一种改进的ResNet模型，该模型在训练过程中引入了辅助损失，并调整了初始卷积层。实验结果验证了这些改进的有效性。

首先声明，文末彩蛋，不是笔者提问的

1 一句话总结

作者认为现有模型由于没有引入足够的上下文信息及不同感受野下的全局信息而存在分割出现错误的情景，于是，提出了使用global-scence-level的信息的pspnet，另外本文提出了引入辅助loss的ResNet优化方法。

2 网络结构

本文提出的网络结构简单来说就是将DeepLab（不完全一样）aspp之前的feature map pooling了四种尺度之后 将5种feature map concat到一起经过卷积最后进行prediction的过程。
这里写图片描述

3 ResNet

本文除了网络之外，其ResNet的模型还是挺强的
这里写图片描述
这里写图片描述
如上图，首先作者在训练的时候加入了辅助loss，另外ResNet起始的7x7的卷积替换了三个3x3的卷积

4 实施细节

  • 使用了poly的学习策略，learning rate 0.01,power 0.9
  • momentum 0.9 weight decay 0.0001
  • random mirror
  • random resize [0.5,2]
  • random rotation [-10 degree,10 degree]
  • random gaussian blur
  • new caffe (batch size 16)
  • auxiliary loss weight to 0.4

5 Ablation study

作者通过实验，验证了文中各种设置的作用

5.1 psp net的作用（包括pooling的形式及数量）

这里写图片描述

5.2 auxiliary loss

这里写图片描述

5.3 pre-trained model

这里写图片描述

5.4 其他

这里写图片描述

6 知乎上的讨论

这里写图片描述

这里写图片描述

pspnet训练流程（OpenMMLab AI实战营笔记9）
qq_42815746的博客
06-15 1014
先简单介绍一下pspnetPSPNet（Pyramid Scene Parsing Network）是一种用于场景语义分割的卷积神经网络（CNN）架构。它是由华为公司的研究员开发的，旨在识别图像中的不同场景和对象，并对它们进行分割和分类。PSPNet架构的主要特点是使用了金字塔池化模块（pyramid pooling module）来捕获图像的不同比例和大小的上下文信息。金字塔池化模块可以在不同大小的固定视野下对输入图像进行池化，从而捕获不同大小的上下文信息。
PSPNet语义分割网络复现以及训练自己数据
m0_51950734的博客
07-02 2510
在进行训练之前需要将参数设置好，其中较重的参数有backbone、num_classes、pretrained、model_path、downsample_factor，还有冻结训练以及非冻结训练过程中的bathsize和epoch。在训练voc数据集时，直接将数据集放置于VOCdevkit中即可，在训练自己数据时，需要运行voc_annotation.py文件，将数据按照训练-验证-测试集分配并将标签另存。在设置好参数之后在运行train.py代码即可开始训练过程。
深度解读：PSPNet（Pyramid Scene Parsing Network） — 用金字塔池化把“场景理解”装进分割网络
最新发布
qq_52679708的博客
09-05 1114
PSPNet论文总结 本文提出金字塔场景解析网络（PSPNet），通过金字塔池化模块（PPM）整合多尺度全局上下文信息，解决复杂场景下语义分割的类别混淆问题。PPM对特征图进行1×1至6×6不同粒度的区域池化，经降维和上采样后拼接，增强模型对场景层级的理解。结合ResNet骨干、膨胀卷积和深度监督等技巧，在ADE20K等数据集上达到SOTA性能。亮点包括直观的多尺度设计、完备的工程细节和强实证效果，但对小目标分割和计算效率仍有改进空间。该工作对后续注意力机制和多尺度建模研究具有深远影响。
PSPnet代码实战
m0_63462829的博客
02-21 1414
PSPNet模型采用了PSP模块，因此取名为PSPNet。该模型提出的金字塔池化模块（Pyramid Pooling Module）能够聚合不同区域上下文信息，从而提高获取全局信息的能力。PSP结构的功能是将获取到的特征层按照不同的尺寸划分成不同的网络，每个网络内各自进行平均池化。在PSPNet中，网络会将输入进来的特征层分别划分为6x6，3x3，2x2，1x1的网格，对应图片中绿色，蓝色，橙色，红色的输出。比如一个特征图的边长为72，划分为6x6的网格后，每个网格边长就是12；
【语义分割】5、PSPNet：Pyramid Scene Parsing Network
呆呆的猫的博客
03-24 1376
文章目录一、主要思想二、方法 一、主要思想 提出了pyramid pooling module (PPM) 模块，聚合不同区域的上下文信息，从而提高获取全局信息的能力。 现有的深度网络方法中，某一个操作的感受野直接决定了这个操作可以获得多少上下文信息，所以提升感受野可以为网络引入更多的上下文信息。 二、方法 Step1：使用global averag pooling得到不同尺度的特征，PPM模块融合了4个不同尺度的特征： 红色是最粗糙尺度，使用一个global average pooling 实现 其
【PSPnet2017】Pyramid Scene Parsing Network
我的博客
10-13 1255
场景解析对于不受限制的开放词汇和多样化的场景来说是一个挑战。在本文中，我们通过我们的金字塔集合模块和提议的金字塔场景解析网络（PSPNet），利用基于不同区域的全局上下文信息的能力。我们的全局先验表示能够有效地在场景解析任务中产生高质量的结果，而PSPNet则为像素级预测提供了一个卓越的框架。所提出的方法在各种数据集上取得了最先进的性能。它在2016年ImageNet场景解析挑战赛、PASCAL VOC 2012基准测试和Cityscapes基准测试中名列第一。
PSPNet: Pyramid Scene Parsing Network论文解读
weixin_44543648的博客
12-24 3106
Pyramid Scene Parsing Network论文解读 代码链接：https://github.com/Lextal/pspnet-pytorch 摘要： 通过金字塔池模块和所提出的金字塔场景解析网络(PSPNet)，利用基于不同区域的上下文聚合来开发全局上下文信息的能力。我们的全局先验表示可以有效地在场景解析任务上产生高质量的结果，而PSPNet则为像素级预测提供了一个优越的框架。 我们提出了一个金字塔场景解析网络，将困难的场景上下文特征嵌入到一个基于FCN的像素预测框架中。 提出了一种基于
【PSPnet】Pyramid Scene Parsing Network
OneCoder的博客
01-13 726
CVPR 2017,目前在google上显示已经被引用了744，相当厉害。 文章目录概述细节ResultsConclusion 概述 要解决的问题 Scene parsing 解决：当前基于FCN的模型缺乏将全局场景类别线索利用起来的策略。比如在论文的fig2中，将水中的船识别为汽车，这是一个由于目标的外型相似造成的error，但是根据周围场景（诸如在水里之类的），可以得出这不是车而更可能...
Pyramid Scene Parsing Network【PSPNet】论文阅读
m0_46378271的博客
05-30 926
论文：https://arxiv.org/pdf/1612.01105.pdf Code： Abstract 场景解析对于不受限制的开放词汇和多样的场景来说是一项挑战。在本文中，我们通过我们的金字塔池化模块和提出的金字塔场景解析网络（PSPNet），通过基于不同区域的上下文聚合来探索利用全局上下文信息的能力。我们的全局先验表示可以有效地在场景解析任务中产生高质量的结果，而PSPNet为像素级预测提供了一个优越的框架。所提出的方法在各种数据集上实现了最先进的性能。它在2016 ImageNet场景解析挑战赛、
PSPNet《Pyramid Scene Parsing Network》论文阅读及代码实现
I good vegetable a!
06-04 2953
论文原文 https://arxiv.org/abs/1612.01105 摘要 \quad本文提出的金字塔池化模块( pyramid pooling module)能够聚合不同区域的上下文信息,从而提高获取全局信息的能力。实验表明这样的先验表示(即指代PSP这个结构)是有效的，在多个数据集上展现了优良的效果。 介绍 \quad场景解析(Scene Parsing)的难度与场景的标签密切相关。先大...
Pyramid Scene Parsing Network.pdf
07-17
语义分割经典论文，PSPNET利用空间金字塔池化获得多尺度信息，值得一看
Pspnet: Pyramid Scene Parsing network
liguandong
03-17 301
Pyramid Scene Parsing network 引入更多上下文信息来避免场景不匹配问题，误分割问题 通过全局均值池化和特征融合来实现的 引入上下文信息的方式： 增大感受野，dilated conv；全局均值池化操作 深层和浅层特征的融合，增加浅层特征的语义信息，这样在浅层进行分割时就有足够的上下文信息，同时也有目标的细节信息。 Backbone是添加了dilated...
PSPNet: Pyramid Scene Parsing Network
00000cj的博客
05-03 1339
paper：Pyramid Scene Parsing Network code：GitHub - hszhao/semseg: Semantic Segmentation in Pytorch mmsegmentation/psp_head.py at v0.17.0 · open-mmlab/mmsegmentation · GitHub Important Observations 作者首先观察分析了将FCN方法应用于场景解析（Scene Parsing）时的几种代表性失败的情况，具体有.
【论文笔记】PSPNet：Pyramid Scene Parsing Network
学习 & 分享 ~
10-09 1149
论文地址：https://arxiv.org/pdf/1612.01105.pdf 论文主页：https://hszhao.github.io/projects/pspnet/代码： Caffe：https://github.com/hszhao/PSPNet Keras：https://github.com/Vladkryvoruchko/PSPNet-Keras-tensorflow Tensorflow：https://github.com/hellochick/PSPNet-tensorflow P
Pyramid Scene Parsing Network
qq_26499769的博客
04-07 2799
论文地址：https://arxiv.org/pdf/1612.01105.pdf 源码地址：https://github.com/hszhao/PSPNet 来自：Semantic Segmentation–Pyramid Scene Parsing Network(PSPNet)论文解读 《Pyramid Scene Parsing Network》论文笔记 What:PsPNet主要是通过金...
Pyramid Scene Parsing Network（PSP NET）
lanyuxuan100的博客
04-11 1876
背景由于场景的多样性与开放性，场景解析是一项十分复杂的任务。 在这篇文章中，我们探索一下通过叠加金字塔池化与金字塔场景解析来获取全局上下文信息的能力。 金字塔场景解析网络，在场景解析任务中表现良好，pyramid scene parsing network (PSPNet)提供了一种很好的像素级别分割的框架。#
【语义分割】Pyramid Scene Parsing Network（PSNET）
Hali_Botebie的博客
04-26 3892
https://arxiv.org/pdf/1612.01105.pdf Abstract 本文通过所提出的： 金字塔场景分析网络（pyramid scene parsing network PSPNet）， 对不同区域的语境进行聚合， 使模型拥有了理解全局语境信息的能力。 我们的全局信息可以有效地在场景分析任务中产生高质量的结果， PSPNet则为像素级预测提供了一个优越的框架。 性能 在2016年ImageNet场景分析挑战赛、Pascal VOC 2012数据集和Cityscapes数据集中排名
Pyramid Scene Parsing Network: 深度学习语义分割新突破
Pyramid Scene Parsing Network（PSPNet）是针对语义分割任务的一种创新性深度学习模型，旨在解决开放词汇和复杂场景的场景解析挑战。在传统方法中，语义分割往往侧重于局部特征的提取，而PSPNet则强调全局上下文...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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