qq_39076073的博客

Unet模型首先利用卷积进行下采样，然后提取出一层又一层的特征，利用这一层又一层的特征，其再进行上采样，最后得出一个每个像素点对应其种类的图像segnet只选了一个hw压缩了四次的特征层进行三次上采样得到最后的结果。unet利用到了压缩了二、三、四次的特征层，最后输出图像分割的结果网络结构图像大小变化将hw被压缩了四次的f4进行一次上采样后与f3进行concatenate，然后再进行一次上采样与f2进行concatenate，然后再进行一次上采样（这里可以选择是否与f1进行concaten

Adapnet网络网络图基于resnet50构建，提升了语义分割的鲁棒性在ResNet架构中特征图的分辨率在经过前三层后下降到输入分辨率的四分之一，一方面，由于较小的特征图，允许上下文的聚合加速，另一方面，限制了高分辨率特征的学习，在ResNet的第一个卷积层之前添加一个卷积核大小为3x3的附加卷积，使网络能够学习更多高分辨率特征，而不会显著增加推理时间下采样会降低特征图的分辨率，因此会生成较粗的分割。 尽管反卷积层可以对低分辨率特征图进行上采样，但是它无法完全恢复所有细节。 此外，该过程不

VGG网络1、一张原始图片被resize到(224,224,3)。2、conv1两次[3,3]卷积网络，输出的特征层为64，输出为(224,224,64)，再2X2最大池化，输出net为(112,112,64)。3、conv2两次[3,3]卷积网络，输出的特征层为128，输出net为(112,112,128)，再2X2最大池化，输出net为(56,56,128)。4、conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(56,56,256)，再2X2最大池化，输出net为(28,2

Semantic-Segmentation-Suite训练自有数据集时的天坑1.集锦的仓库地址：https://github.com/GeorgeSeif/Semantic-Segmentation-Suite2.数据集CamVid├── “dataset_name”| ├── train| ├── train_labels| ├── val| ├── val_labels| ├── test| ├── test_labels分别放对应的训练、验证、测试集图像和label即可，格式jp