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

jingwenlai

于 2018-09-02 18:53:10 发布

阅读量3.9k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Deep Learning 论文阅读笔记文章标签： deep learning Semantic Segmentation FC-DenseNet

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。

本文链接：https://blog.youkuaiyun.com/jingwenlai_scut/article/details/82317922

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

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。