文章探讨了滑窗预测在处理图像时可能丢失上下文信息和效率问题，提出使用双线性插值、转置卷积和空洞卷积来恢复特征图尺寸。同时，通过融合高层和底层特征，结合条件随机场的后处理以及池化金字塔、多尺度空洞卷积等方法，能有效利用上下文信息并恢复预测图的细节。
滑窗预测丢失上下文信息，且运行缓慢，无法复用特征图。
传统的网络会逐层下采样，如何把下采样后的特征图变为原图的尺寸？可以采用双线性插值、科学系的转置卷积，也可以用更大感受野的空洞卷积。
恢复预测图的细节：融合高层和底层特征，或者基于条件随机场进行更精细的后处理。通过池化金字塔、多尺度空洞卷积充分利用上下文信息。、
扫一扫
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
