【论文阅读笔记】[Semantic Segmentation] FC-DenseNet阅读笔记

最新推荐文章于 2024-04-18 23:00:13 发布
原创 最新推荐文章于 2024-04-18 23:00:13 发布 · 3.9k 阅读 · 6 ·
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：

#deep learning #Semantic Segmentation #FC-DenseNet

本文是关于FC-DenseNet在语义图像分割领域的研究笔记，探讨了FC-DenseNet如何结合DenseNet的优点，通过密集块和上采样操作在不需要预训练和后处理的情况下取得State-of-the-Art结果。FC-DenseNet结构深但参数少，有效地解决了特征映射爆炸问题。训练策略包括像素级交叉熵损失、初始化、RMSprop优化器和数据增强。实验证明，FC-DenseNet在CamVid和Gatech数据集上表现优秀。

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

jingwenlai 2018-8-15

# 简介 & 主要贡献

Tiramisu - FC-DenseNet (https://arxiv.org/abs/1611.09326),

经典的semantic image segmentation的方法基于CNN，主要包含3个组件：

(a) 一个downsampling path,主要用来提取特征

(b) 一个upsampling path，被训练用来在输出结果中逐步恢复输入精度

(c) 可选地，一个后处理模块(如Conditional Radom Fields)来优化模型输出。

经典的U-Net即是这种结构。

DenseNet在图像分类中获得了非常优异的结果，其结构更精准且更易于训练。

FC-DenseNet在无预训练及后处理的情况下，在CamVid, Catech数据集上获得了state-of-the-art的结果。并且，该结构含更少的参数，且易于训练。

Code& Experiments: https://github.com/SimJeg/FC-DenseNet/blob/master/train.py

A GOOD alternative implementation(pyTorch) & Explanation: https://github.com/bfortuner/pytorch_tiramisu

 

# 实现思路及方法

最低0.47元/天 解锁文章

200万优质内容无限畅学
FC-DenseNet
weixin_45622568的博客
08-14 334
TD层里要做Max Pooling是为了把尺度做小，TU就是进行逆卷积或者反卷积，去放大特征图的一个过程。DB里边可能有n个（n=4，5，7.....）右侧没有设置跃层连接是因为再上采样的过程中通道数应该越来越少，但是由于DB输出的特征图非常的多，可能会导致特征图爆炸。c代表按层叠加起来，TD相当于进行特征减小（下采样），TU相当于进行特征放大（上采样），FC-DenseNet是将DenseNet改成全卷积的网络。DB+TD将特征升高，TU+DB将特征降低，
densenet网络结构_FC-DENSENET用于图像分割学习笔记
weixin_39793420的博客
11-29 1202
近日使用FC Dense Net 做分割，记录学习使用过程。FC-DenseNet 原文链接：https://arxiv.org/abs/1611.09326 《The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation》初次使用此网络，第一眼是被这个名字吸引的，Tiramisu ...
深度学习_DenseNet_FC-DenseNet
Monday_getStart的博客
07-20 1778
昨天学习了较为经典的DenseNet,今天来做一些总结，可能也会在以后的学习中经常用到。 1. DenseNet研究的背景 在DenseNet出现前，一般卷积神经网络提升效果的方向都是从深度和宽度出发，比如ResNet，其从深度出发，解决梯度消失的问题，要么宽，比如GoogleNet的Inception结构。 而DenseNet从特征出发，通过更好的利用特征来达到更好的效果和更少的参数。 2. DenseNet的优点 与ResNet类似，它也有解决梯度消失的问题 因为其每一层的结构，特征的传递性更强，更好
FCDenseNet（转载）
weixin_45622568的博客
09-21 312
这个Transition Up包含了一个转置卷积，用于对特征图进行上采样，上采样得到的特征图和左边DB输出的特征图进行skip connection（即concat），由于上采样操作增加了特征图的大小以及数量，从而需要更多的内存，解决办法就是：将DB的输入和输出不按通道进行concat，因此转置卷积只作用于最后一层DB的输出，而不是concat所有的特征图。,xl-1]表示将0到 l-1层的输出feature map按通道进行合并，而resnet是做值的相加，通道数是不变的。
FCN-DenseNet
谢军的博客
10-31 2428
FCN-DenseNet
基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官.pdf
08-18
基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官.pdf
Python-用于图像语义分割FCDenseNet的TensorFlow实现
08-10
用于图像语义分割Fully Convolutional DenseNet (A.K.A 100 layer tiramisu)的TensorFlow实现
Rich feature hierarchies for accurate object detection and semantic segmentation论文笔记
最新发布
qq_58739479的博客
04-18 1105
文献的研究目的是为了提高对象检测和语义分割的准确性，特别是在PASCAL VOC这样的标准数据集上。研究的核心是提出一种名为R-CNN（Regions with CNN features）的新型算法，该算法通过结合区域提议和卷积神经网络（CNN）来实现更精确的对象定位和分类。研究方法包括以下几个关键步骤：1. **区域提议提取**：- 使用自底向上的方法，如Selective Search，从图像中提取可能包含对象的区域提议。这些提议作为后续处理的输入。
《Context Encoding for Semantic Segmentation》论文笔记
m_buddy的博客
12-01 415
参考代码：PyTorch-Encoding 1. 概述 导读：在这篇文章中研究了CNN特征图的全局上下文信息对于分割的影响，文章指出像之前工作中通过增加CNN网络感受野或者使用膨胀卷积，那么这样就能很好提取全局的上下文语义信息么？对此文章借鉴了channel-wise attention的思路对特征图进行优化，而对于目标分割任务（或者分类任务）提出了基于attention机制的Enc模块，使用attention的方式（编码器不同）增强特征的表达（Context Encoding Module）。此外对于传
论文阅读理解 - Fully Convolutional Instance-aware Semantic Segmentation
长风破浪会有时，直挂云帆济沧海
06-01 7181
Fully Convolutional Instance-aware Semantic Segmentation Paper Code 主要基于： - FCNs for Semantic Segmentation 基于FCN的语义分割. 传统FCNs卷积具有平移不变性， 但实例分割需要平移可变. - instance mask proposal 实例 mask 候选 现阶段i...
深度学习论文笔记（七）---Deconvolution network-2016年（Learning Deconvolution Network for Semantic Segmentation ）
朝花&夕拾
07-23 1843
深度学习论文笔记（七）---Deconvolution network Learning Deconvolution Network for Semantic Segmentation Author：H Noh ， S Hong ， B Han Year：2016 1、  导引 2015年提出的FCN网络在Semantic segmentation上取得了较好的成绩，但是依然存在
DenseNets
鹊踏枝-码农的专栏
02-05 2225
DenseNets网络架构与ResNet有点相像，都是把L-1层的输出作为L层的输入，同时DenseNets作为L+1,...,L+n的输入，这也就是dense含义的所在了，下面看一些大致的网络架构，如下图： 由上图的网络架构可以明显的看出，DenseNet是把第0,...,L-1层输出的feature maps（第0层表示输入图像）拼接层一个张量（tensor）feature
Fully Convolutional DenseNets for Semantic Segmentation
PartyPartyAnimal的博客
11-23 3382
论文：https://arxiv.org/abs/1611.09326 代码：https://github.com/SimJeg/FC-DenseNet摘要典型的分割体系结构由下列部分组成： （a）负责提取粗略语义特征的下采样路径; （b）训练上采样路径以将模型输出的分辨率恢复至输入图像分辨率大小; （c）处理模块（例如，条件随机场）来优化模型预测。（可选）本文扩展DenseNet为全卷积网
The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation_2016
sunyao_123的博客
07-19 4310
作者：Simon Jégou Michal Drozdzal David VazquezAbstract 典型的语义分割架构由（a）一条下采样路径，负责提取粗的语义特征，再加一个（b）一条上采样路径，负责回复图像分辨率，和一个可选的后处理模块（比如，条件随机场）来精调模型预测。 最近一个新的架构DenseNets，主意来源于：如果每层直接连接其他层，就像前馈机制一样，网络会变
DenseNet笔记
MA201506的博客
01-10 314
一、DenseNet的优点 减轻梯度消失问题 加强特征的传递 充分利用特征 减少了参数量 二、网络结构公式 对于每一个DenseBlock中的每一个层, [x0,x1,…,xl-1]表示将0到l-1层的输出feature map做concatenation。concatenation是做通道的合并，就像Inception那样。而前面resnet是做值的相加...
【FC-DenseNet】The One Hundred Layers Tiramisu：Fully Convolutional DenseNets for Semantic Segmentation
OneCoder的博客
01-14 905
CVPRW(CVPR workshops) 2017 【论文名字：提拉米苏】 文章目录概述细节ResultsConclusions 概述 要解决的问题 语义分割，没针对什么特别的问题，算是站在巨人的肩膀继续建造上层吧。 采用的方法 利用了DenseNets的结构的Dense连接 结果如何 achieve state-of-the-art results在Camvids和Gatec...
The One Hundred Layers Tiramisu: Fully Convolutional Dense Nets for Semantic Segmentation
LYKymy的博客
08-06 503
Abstract 用于语义图像分割的最先进方法建立在卷积神经网络（CNN）上。 典型的分割体系结构由（a）负责提取粗略语义特征的下采样路径组成，其后是（b）训练的上采样路径，以恢复模型输出处的输入图像分辨率（c）帖子处理模块（例如条件随机场）来重新定义模型预测。 最近，一种新的CNN架构，即密集连接卷积网络（DenseNets），在图像分类任务中表现出色。 DenseNets的想法基于以下观察...
The One Hundred Layers Tiramisu：Fully Convolutional DenseNets for Semantic Segmentation手动翻译
qq_35024702的博客
04-19 817
The One Hundred Layers Tiramisu：Fully Convolutional DenseNets for Semantic Segmentation 一百层的Tiramisu：用于语义分割的全卷积DenseNets 典型分割架构： (a)负责提取粗糙语义特征的下行采样路径 (b) 一个上采样路径，用于在模型的输出处恢复输入图像的分辨率 ©（可选）后处理模块(如条件随机域)...
语义分割--Fully Convolutional DenseNets for Semantic Segmentation
AI小作坊 的博客
08-17 7737
The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation CVPRW 2017 Code: https://github.com/SimJeg/FC-DenseNet本文将 DenseNets 按照 FCN 方式用于 语义分割首先看看 DenseNets 该网络主要由 d
评论
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