图像分割（一）——FCN语义分割

最新推荐文章于 2025-04-17 09:45:37 发布
最新推荐文章于 2025-04-17 09:45:37 发布
阅读量531 收藏
点赞数
分类专栏： 计算机视觉
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/qq_38836386/article/details/118462545
版权

《Fully Convolutional Networks for Semantic Segmentation》

1.1 语义分割

语义分割是计算机视觉中的关键任务之一。现实中，越来越多的应用场景需要从影像中推理出相关的知识或语义即由具体到抽象的过程。作为计算机视觉的核心问题，语义分割对于场景理解的重要性日渐突出

1.2深度学习代表问题

不匹配关系：SPP ASPP PSPNet GCN DFN
不寻常类：RedNet RDFNet

研究成果

  1. 将分类网络改变成全卷积网络，具体包括全连接层转化为卷积层以及通过反卷积进行上采样
  2. 使用迁移学习的方法进行微调
  3. 使用跳跃结构使得语义信息可以和表征信息相结合，产生准确而精细的分割
  4. FCN证明了端到端、像素到像素训练方式下的卷积神经网络超过了现有语义分割方向最先进的技术
  5. FCN成为了PASCAL VOC最出色的分割方法

端到端训练

End-to-End
在计算机视觉领域，端到端可以简单地理解为，输入是原始图像，输出是预测图像，中间的具体过程依赖于算法本身的学习能力。通过网络内部结构，对原始图像进行降维和特征提取，并在后续过程中将尺寸较小的特征图逐渐恢复成与原图尺寸相同的预测图
特征提取的好坏将直接影响最后的预测结果，端到端网络的最主要特点就说根据设计好的算法自己学习特征，而不需要人为干预

分割术语

pixel-wise：像素级别
每张图片都是由一个个pixel组成的，pixel是像素的基本单位
image-wise:图像级别
patch-wise:块级别
介于像素级别和图像级别之间，每个patch都是由好多个pixel组成的
patchwise training：
是指对每一个感兴趣的像素，以它为中心取一个patch小块，然后输入网络，输出则为该像素的标签

全局信息和局部信息

局部信息：
提取位置：浅层网络中提取局部信息
特点：物体的几何信息比较丰富对应的感受野较小
目的：有助于分割尺寸较小的目标有利于提高分割的精确程度
全局信息：
提取位置：深层网络中提取全局信息
特点：物体的空间信息比较丰富，对应的感受野较大
目的：有助于分割尺寸较大的目标，有利于提高分割的精确程度

感受域(receptive field)

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，感受域。通常来说，大感受域的效果要比小感受域的效果更好。由公式可见stride越大，感受域越大。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，如何增大感受域或使其保持不变，成为了分割中的一大问题。

R F l + 1 = R F l + ( k e r n e l _ s i z e − 1 ) ∗ s t r i d e RF_{l+1}=RF_{l}+(kernel\_size-1)*stride RFl+1​=RFl​+(kernel_size−1)∗stride
通常认为，无论是多少层cnn输出的feature map中的结果，感受域都是只所对应的输入的原图中的大小，不管是第一层第二层第三层的feature map，我都指的是原图的大小，而不是上一层输入的大小。

平移不变性(translation invariance)

**宏观结果：**图像中的目标无论被移动到图片中的哪个位置，分类结果都应该是相同的
**具体过程：**卷积≈平移不变 图像中的目标有移动时，得到的特征图也会产生相同的移动

语义分割网络系列——FCN，全卷积网络
新兴IT民工的专栏
11-09 2139
这个专栏的前面一些文章，已经设计到了图像网络，或者说机器视觉的两个主要任务：分类和检测。现在来说说另外一个任务：分割(Segmentation)。一般来说，分类相对比较简单一点，通过一个基础网络(backbone)就可以完成任务，从LeNet，AlexNet，到ResNet，SENet等，都是通过基础网络完成分类任务。在分类网络的基础上，加上一些detector head，比如RCNN引入的ROI Pooling，RPN等；YOLO1-5引入的回归，anchor等。就可以完成目标检测的任务。
语义分割 FCN
m0_53926478的博客
04-21 1248
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 自动驾驶汽车 医学图像诊断 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 *
FCN——首个端对端的针对语义分割领域的全卷积网络
最新发布
大家好鸭！这里记录着我的学习路程和心路。
04-17 688
FCN（Fully Convolutional Network，全卷积神经网络）最早由 Jonathan Long 等人于 2015 年提出。它的核心理念是：将传统 CNN 中的全连接层（Fully Connected Layer）替换为卷积层或转置卷积层；网络结构能够接受任意尺寸的输入图像，输出相同尺寸的像素级类别预测；整个模型可通过反向传播进行端到端训练。
全卷积网络（FCN）实战：使用FCN实现语义分割
热门推荐
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。
FCN语义分割
y_love_b的博客
03-27 409
非原创，本博客是转发他人博客：https://blog.youkuaiyun.com/gqixf/article/details/77964005
FCN（语义分割）
hu_Mrs的博客
04-01 2295
有关于FCN的个人理解
PyTorch语义分割系列——FCN
weixin_48633207的博客
07-28 1362
本文详细阐述FCN的核心思想，包括全卷积层、FCN头部、跳跃结构等。并以FCN-VGG16为例，实现代码。
昇思MindSpore学习总结九——FCN语义分割
qq_41566819的博客
07-04 1028
全卷积网络（Fully Convolutional Networks，FCN）是UC Berkeley的Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation[1]一文中提出的用于图像语义分割的一种框架。
华为昇思MindSpore应用——FCN图像语义分割
six_lucky的博客
01-22 627
图像语义分割是计算机视觉中的一个经典任务，它的目标是为每一个像素分配一个标签，从而实现图像的精细化理解。与传统的图像分类任务不同，语义分割要求不仅识别出物体的种类，还需要准确地定位每个物体的像素级边界。是一种经典的语义分割方法。它是通过将传统卷积神经网络（CNN）中的全连接层替换成卷积层来实现像素级的预测。FCN的关键思想是通过逐像素预测分割结果，保留了图像中的空间信息，有效提高了图像分割的精度。FCN的基本结构由卷积层、池化层和反卷积层（上采样）组成。
论文笔记：图像分割——FCN
liuzeyao_Newton的博客
06-07 914
Fully Convolutional Networks for Semantic Segmentation 语义分割中的全卷积网络
FCN 实现图像语义分割
03-13
自己精心整理的"FCN 实现图像语义分割"的视频讲解,mp4,华文讲解,很详细!
FCN系列（语义分割）
789请问的博客
03-17 459
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 - FCN (Fully Convolutional Networks)
Bro_Jun的博客
09-19 1813
目录FCN论文精读本文的创新点先验知识感受野（感受域） Receptive field全局信息与局部信息算法架构训练技巧算法实现定义配置文件 cfg.py数据集处理 dataset.py导入包※※※ 对标签图像编码为什么要对标签图像编码代码实现加载数据集模型的建立 FCN.py导入包自定义双向线性插值卷积核线性插值与双线性插值代码实现卷积核效果构建网络卷积与反卷积尺寸计算公式vgg16的结构代码实现 FCN论文精读 本文的创新点 将分类网络改编为全卷积网络，具体为全连接层转化为卷积层以及通过反卷积
【语义分割】FCN
可乐大牛的博客
08-01 1920
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）。.........
语义分割-FCN
Passenger_zhang的博客
03-09 736
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
语义分割之FCN
thisiszdy的博客
04-08 856
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...
MindSpore社区活动：FCN图像语义分割
longvoyage的博客
06-19 784
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。
语义分割：ＦＣＮ学习
fu6543210的博客
05-13 620
最终目标，学习ｍａｓｋ rcnn集目标检测与实例分割于一身。
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