语义分割 FCN

最新推荐文章于 2025-05-19 09:17:37 发布
最新推荐文章于 2025-05-19 09:17:37 发布
阅读量1.2k 收藏 14
点赞数 1
CC 4.0 BY-SA版权
文章标签： python
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/m0_53926478/article/details/115923218

图像语义分割

图像语义分割是计算机视觉中十分重要的领域，它是指像素级地识别图像，即标注出图像中每个像素所属的对象类别

语义分割对图像中每一个像素点进行分类，确定每个点的类别

与实例分割的区别

语义分割没有分离同一类的实例；我们关心的只是每个像素的类别，如果输入对象中有两个相同类别的对象，则分割本身不将他们区分为单独的对象。而实例分割会对每一个个体进行单独划分。

应用

  1. 自动驾驶汽车
  2. 医学图像诊断
  3. 无人机着陆点判断

图像语义分割实质

语义分割的目标

一般是将一张RGB图像(height * width * 3)或是灰度图(height * width *1)作为输入

输出的是分割图，其中每一个像素包含了其类别的标签(height * width *1)

1、全卷积网络（FCN）的简单介绍

1.1、CNN与FCN的比较

CNN: 在传统的CNN网络中，在最后的卷积层之后会连接上若干个全连接层，将卷积层产生的特征图（feature map）映射成为一个固定长度的特征向量。一般的CNN结构适用于图像级别的分类和回归任务，因为它们最后都期望得到输入图像的分类的概率，如ALexNet网络最后输出一个1000维的向量表示输入图像属于每一类的概率。如下图所示：
在这里插入图片描述

在CNN中, 猫的图片输入到AlexNet, 得到一个长为1000的输出向量, 表示输入图像属于每一类的概率, 其中在“tabby cat”这一类统计概率最高, 用来做分类任务。

FCN: FCN是对图像进行像素级的分类（也就是每个像素点都进行分类），从而解决了语义级别的图像分割问题。与上面介绍的经典CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图（feature map）进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。如下图所示：

在这里插入图片描述

简单的说，FCN与CNN的区别在于FCN把CNN最后的全连接层换成卷积层，其输出的是一张已经标记好的图，而不是一个概率值。

感受域

在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野。通常来说，大感受野的效果要比小感受野的效果更好。由公式可见，stride越大，感受野越大。但是过大的stride会使feature map保留的信息变少。因此，在减少stride的情况下，如何增大感受野或使其保持不变，成为了分割中的一大问题。

RFl+1=RFl+(kernel_size-1)x stride

2、FCN上采样理论讲解

FCN网络一般是用来对图像进行语义分割的，于是就需要对图像上的各个像素进行分类，这就需要一

最低0.47元/天 解锁文章

200万优质内容无限畅学
^千羽
关注
语义分割-FCN
Passenger_zhang的博客
03-09 748
FCN论文原文0. 简介1. 网络架构2. 从分类网络到分割网络3. upsampling4. skip connection5. 实验结果6. 总结 论文原文 Fully Convolutional Networksfor Semantic Segmentation 0. 简介   FCN旨在建立完全卷积的网络来处理任意大小的输入图像，利用一系列卷积操作提取特征，对于最终得到的尺寸不断下降的特征图，利用卷积操作代替全连接操作调整特征图的通道数为分类类别数，最后利用转置卷积(transpose convol
图像语义分割 FCN图像分割网络详解
guoqingru0311的博客
09-25 1625
图像语义分割 FCN图像分割网络网络详解
全卷积网络（FCN）实战：使用FCN实现语义分割
AI浩
03-09 1万+
全卷积网络（FCN）实战：使用FCN实现语义分割 FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。
【语义分割专栏】：FCN原理篇
最新发布
走进深度学习，不仅仅只是原理，更包括详细代码解读。
05-19 1643
本文介绍了语义分割领域的开山之作——全卷积网络（FCN），并详细解析了其核心思想与创新点。文章分析了FCN出现的历史背景，指出传统语义分割方法依赖手工特征和滑动窗口的局限性，并提出了使用CNN进行端到端语义分割的挑战。FCN通过舍弃全连接层，构建全卷积网络，解决了输出维度不匹配的问题，并通过反卷积实现上采样，恢复了图像的空间细节。
【语义分割】FCN
可乐大牛的博客
08-01 1927
FCN算是图像分割的开篇之作，在它之前，分割任务就是当做分类去做的。最简单的分类就是通过一系列的卷积操作进行特征提取，最后加上几个全连接层，通过softmax得到分类的结果。最初的分割方式，就是通过划窗之类的策略，提取到一个个的patch，将这个patch作为当前像素的上下文，输入到分类网络中，然后得到分类结果，最终所有像素的分类结果就是我们的分割结果了。这个做法显然有很多的问题，如1、滑窗带来的计算量大、计算效率低（相邻的像素块基本上是重复的）。.........
FCN实现语义分割-Pytorch（一）
sunxiaojun
03-15 6737
目录 1、语义分割 2、FCN简介 3、FCN实现语义分割 3.1、网络模型 3.1.1、模型初始化 3.1.2、权重初始化 3.1.3、前向计算 3.2、数据集（Dataset） 3.2.1、自定义Dataset 3.2.2、one-hot编码 3.2.3、数据预处理-数据变换（Transform） 3.2.4、数据加载器（DataLoader） 3.3、训练（Train） 3.3.1、学习准则（Criterion） 3.3.2、优化（Optimizer） 3.3.3、指标（Metrics） 3.3.3、
FCN（语义分割）
hu_Mrs的博客
04-01 2304
有关于FCN的个人理解
CamVid数据集，语义分割FCN训练数据集
04-20
同时， 在 CamVid 数据集中通常使用 11 种常用的类别来进行分割精度的评估，分别为：道路 （Road）、交通标志（Symbol）、汽车（Car）、天空（Sky）、行人道（Sidewalk）、电线杆 （Pole）、围墙（Fence）、行人...
语义分割FCN经典网络结构代码（Pytorch框架所写）
08-24
python所写的语义分割代码，采用Pytorch框架，代码完整，完美运行。
神经网络与深度学习 笔记（五）语义分割FCN
qq_49586861的博客
04-27 653
找到同一画面中的不同类型目标区域。和其他问题的区别：实例分割：同一类型目标要分出来具体实例（谁是谁）目标检测：标出来外包围矩形。
MindSpore社区活动：FCN图像语义分割
longvoyage的博客
06-19 794
FCN主要用于图像分割领域，是一种端到端的分割方法，是深度学习应用在图像语义分割的开山之作。通过进行像素级的预测直接得出与原图大小相等的label map。因FCN丢弃全连接层替换为全卷积层，网络所有层均为卷积层，故称为全卷积网络。全卷积神经网络主要使用以下三种技术：卷积化（Convolutional）使用VGG-16作为FCN的backbone。VGG-16的输入为224*224的RGB图像，输出为1000个预测值。VGG-16只能接受固定大小的输入，丢弃了空间坐标，产生非空间输出。
FCN图像语义分割代码
04-14
图像语义分割 FCN方法，使用tensorflow库，解压使用即可
FCN系列（语义分割）
789请问的博客
03-17 464
1.FCN Fully Convolutional Networks for semantic Segmentation https://www.cnblogs.com/xuanxufeng/p/6249834.html 全卷积网络 FCN 详解 - 代码学习者coding - 博客园 https://www.cnblogs.com/gujianhan/p/6030639.html 深度学...
语义分割之FCN
thisiszdy的博客
04-08 865
一、语义分割之FCN Fully Convolutional Networks for Semantic Segmentation(语义分割的全卷积网络) 论文链接：https://arxiv.org/abs/1411.4038 论文翻译：https://www.cnblogs.com/xuanxufeng/p/6249834.html 论文详解：https://blog.youkuaiyun.com/qq...
FCN语义分割
y_love_b的博客
03-27 412
非原创，本博客是转发他人博客：https://blog.youkuaiyun.com/gqixf/article/details/77964005
语义分割及FCN
zhuimeng999的专栏
08-01 586
姓名：Jyx 班级：csdn人工智能直通车-5期 描述：这是本人在学习人工智能时的学习笔记，加深理解 语义分割：语义分割就是对图片上的每个像素按照其所属的实例类型进行分类。如下图 传统的网络包含pool层，增大感受野，但对应的输出尺寸也会降低，要想做pixelwise prediction，必须保证输出尺寸与原图等大，但原来的结构最后被展开成一维向量丢失了位置信息，FC...
【语义分割】——FCN
怡宝2号
11-18 338
1. FCN 作者在原文种给出3种网络结果对比，明显可以看出效果：FCN-32s < FCN-16s < FCN-8s，即使用多层feature融合有利于提高分割准确性。 图6
语义分割--全卷积网络FCN详解
热门推荐
qinghuaci666的博客
06-29 2万+
1.FCN概述图像的语义分割则不仅是区分每个像素的前后景，更需要将其所属类别预测出来，属于计算机视觉领域。CNN做图像分类甚至做目标检测的效果已经被证明并广泛应用，图像语义分割本质上也可以认为是稠密的目标识别（需要预测每个像素点的类别）。传统的基于CNN的语义分割方法是：将像素周围一个小区域（如25*25）作为CNN输入，做训练和预测。这样做有3个问题： - 像素区域的大小如何确定 - 存储及计算...
语义分割fcn源码 paddle
05-19
以下是使用PaddlePaddle实现语义分割FCN的示例代码： ```python import paddle import paddle.nn as nn class FCN8s(nn.Layer): def __init__(self, num_classes=21): super(FCN8s, self).__init__() # conv1 self.conv1_1 = nn.Conv2D(3, 64, 3, 1, 100) self.conv1_2 = nn.Conv2D(64, 64, 3, 1, 100) self.pool1 = nn.MaxPool2D(2, 2, 'ceil') # conv2 self.conv2_1 = nn.Conv2D(64, 128, 3, 1, 100) self.conv2_2 = nn.Conv2D(128, 128, 3, 1, 100) self.pool2 = nn.MaxPool2D(2, 2, 'ceil') # conv3 self.conv3_1 = nn.Conv2D(128, 256, 3, 1, 100) self.conv3_2 = nn.Conv2D(256, 256, 3, 1, 100) self.conv3_3 = nn.Conv2D(256, 256, 3, 1, 100) self.pool3 = nn.MaxPool2D(2, 2, 'ceil') # conv4 self.conv4_1 = nn.Conv2D(256, 512, 3, 1, 100) self.conv4_2 = nn.Conv2D(512, 512, 3, 1, 100) self.conv4_3 = nn.Conv2D(512, 512, 3, 1, 100) self.pool4 = nn.MaxPool2D(2, 2, 'ceil') # conv5 self.conv5_1 = nn.Conv2D(512, 512, 3, 1, 100) self.conv5_2 = nn.Conv2D(512, 512, 3, 1, 100) self.conv5_3 = nn.Conv2D(512, 512, 3, 1, 100) self.pool5 = nn.MaxPool2D(2, 2, 'ceil') # fc6 self.fc6 = nn.Conv2D(512, 4096, 7) self.drop6 = nn.Dropout(p=0.5) # fc7 self.fc7 = nn.Conv2D(4096, 4096, 1) self.drop7 = nn.Dropout(p=0.5) # score_fr self.score_fr = nn.Conv2D(4096, num_classes, 1) # upsample2 self.upscore2 = nn.Conv2DTranspose(num_classes, num_classes, 4, 2, 1) # fuse_pool4 self.score_pool4 = nn.Conv2D(512, num_classes, 1) self.fuse_pool4 = nn.Conv2D(num_classes, num_classes, 3, 1, 1) # upsample_pool4 self.upscore_pool4 = nn.Conv2DTranspose(num_classes, num_classes, 4, 2, 1) # fuse_pool3 self.score_pool3 = nn.Conv2D(256, num_classes, 1) self.fuse_pool3 = nn.Conv2D(num_classes, num_classes, 3, 1, 1) # upsample8 self.upscore8 = nn.Conv2DTranspose(num_classes, num_classes, 16, 8, 0) def forward(self, x): # conv1 x = self.conv1_1(x) x = self.conv1_2(x) x = self.pool1(x) # conv2 x = self.conv2_1(x) x = self.conv2_2(x) x = self.pool2(x) # conv3 x = self.conv3_1(x) x = self.conv3_2(x) x = self.conv3_3(x) x = self.pool3(x) # conv4 conv4_1 = self.conv4_1(x) conv4_2 = self.conv4_2(conv4_1) conv4_3 = self.conv4_3(conv4_2) x = self.pool4(conv4_3) # conv5 conv5_1 = self.conv5_1(x) conv5_2 = self.conv5_2(conv5_1) conv5_3 = self.conv5_3(conv5_2) x = self.pool5(conv5_3) # fc6 x = self.fc6(x) x = self.drop6(x) # fc7 x = self.fc7(x) x = self.drop7(x) # score_fr x = self.score_fr(x) # upsample2 upscore2 = self.upscore2(x) # fuse_pool4 score_pool4 = self.score_pool4(conv4_3) fuse_pool4 = self.fuse_pool4(score_pool4[:, :, 5:5 + upscore2.shape[2], 5:5 + upscore2.shape[3]]) x = upscore2 + fuse_pool4 # upsample_pool4 upscore_pool4 = self.upscore_pool4(x) # fuse_pool3 score_pool3 = self.score_pool3(conv3_3) fuse_pool3 = self.fuse_pool3(score_pool3[:, :, 9:9 + upscore_pool4.shape[2], 9:9 + upscore_pool4.shape[3]]) x = upscore_pool4 + fuse_pool3 # upsample8 x = self.upscore8(x) return x ``` 这是一个简单的FCN8s模型，它由卷积层、池化层、全连接层和反卷积层组成。在训练过程中，可以使用交叉熵损失函数和Adam优化器对模型进行训练。具体的代码实现可以参考PaddlePaddle的官方文档和示例。
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