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

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

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