qq_44785998的博客

摘要：研究了基于深度卷积神经网络的语义图像分割问题。我们提出了一种新的网络结构，称为标签细化网络，它以一种从粗到细的方式在几个分辨率上预测分割标签。粗分辨率的分割标签与卷积特征一起使用以获得更细分辨率的分割标签。我们在网络的不同阶段定义了损失函数，以提供不同阶段的监督。我们在多个标准数据集上的实验结果表明，该模型提供了一种产生像素级密集图像标记的有效方法一.引言一些语义分割工作的常见方法，一是基于结合CNN中多个层的卷积特征，二是使用上采样（也称为反卷积）来放大CNN顶层的特征图的空间尺寸，

早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooling去掉或者将str

深度可分离卷积网络

空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))对所给定的输入以不同采样率的空洞卷积并行采样。几个步骤1. 1*1卷积2. 3*3卷积( padding=6, dilation=6 )3. 3*3 卷积( padding=12, dilation=12 )4. 3*3 卷积( padding=18, dilation=18 )5.先全局平均池化 ----> 输出尺寸(1,1) 1*1卷积 改变通道 ...