DeepLab-v2：Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully C

最新推荐文章于 2022-10-09 10:02:56 发布

用GAN得有GPU

最新推荐文章于 2022-10-09 10:02:56 发布

阅读量2.5k

点赞数

分类专栏：深度神经网络基础框架语义分割文章标签：人工智能卷积

本文链接：https://blog.youkuaiyun.com/qq_41967539/article/details/103870467

版权

DeepLab-v2针对语义图像分割的挑战，如特征分辨率降低、多尺度对象和定位精度问题，提出了洞卷积、空间金字塔汇聚（ASPP）和全连接条件随机场（CRF）的解决方案。洞卷积用于保持高分辨率特征，ASPP捕捉多尺度信息，CRF改进对象边界定位。实验表明，这些方法在PASCAL VOC 2012、PASCAL-Context、PASCAL-Person-Part和Cityscapes数据集上表现优越。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

本网络主要用于图像语义分割使用
~~DeepLab-v2包含v1的所有内容，直接从v2开始写~~

问题：
DCNN的缺陷：本文特别考虑了DCNNs在语义图像分割中的三个应用挑战:
(1)降低特征分辨率;
(2)多尺度对象的存在;
(3)由于DCNN的不变性而降低定位精度。
本文将讨论这些挑战以及我们在DeepLab系统中克服这些挑战的方法。

相关工作：
1，提出并强调洞卷积（atrous convolution）的作用与实际应用操作，Atrous convolution可以精确地控制在深度卷积神经网络中计算特征响应的分辨率，它还允许在不增加参数数量或计算量的情况下，有效地扩大过滤器的视野，以结合更多的上下文信息。
2，本文提出了一种基于多尺度稳健分割的空间金字塔汇聚算法。ASPP使用多个采样率的过滤器和有效的视场来探测传入的卷积特征层，从而在多个尺度上捕获对象和图像上下文
3，本文结合DCNNs和概率图形模型的方法改进了对象边界的定位。DCNNs中常用的max-pooling和down-sampling的组合实现了不变性，但会影响定位精度。我们通过将最终DCNN层的响应与完全连接的条件随机场(CRF)相结合来克服这个问题，本文通过定性和定量地展示了该方法，以提高定位性能。
在这里插入图片描述
上图展示了deeplab框架的大致过程，backbone采用如VGG-16或ResNet-101，后采用洞卷积的方式下采用(从32x下降8x)。后用双线性插值阶段将特征映射扩展到原始图像分辨率

最低0.47元/天解锁文章