W1995S的博客

文章目录任务描述架构设计上采样（upsampling）方法全卷积网络(Fully convolutional networks)添加短路连接(Adding skip connections)U-Net空洞卷积(Dilated/atrous convolutions)损失函数数据集延伸阅读这篇文章讲述卷积神经网络在图像语义分割（semantic image segmentation）的应用。图像分割这项计算机视觉任务需要判定一张图片中特定区域的所属类别。这个图像里有什么？它在图像中哪个位置？更具体地说

1、Deeplab V1《Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS》http://arxiv.org/pdf/1412.7062v3.pdf由于卷积神经网络在提取特征时会将输入图像逐渐缩小，featuremap变小形成高级别的特征对分割任务并不适用，DeepLab采用了空洞卷积替换传统的卷积和fully connected CRF。为了利用已经训练好的VGG模型进行fine-tun

1、FCN《Fully Convolutional Networks for Semantic Segmentation》https://arxiv.org/abs/1411.4038FCN是不含全连接层的全卷积网络，对图像进行像素级的分类，解决了图像的语义分割问题，可以接受任意尺寸的图像大小，采用反卷积对最后一个特征图（feature map）进行处理，使其恢复到输入图像的尺寸，对每个像素产生一个预测，反卷积和卷积类似，都是相乘相加的运算。只不过后者是多对一，前者是一对多，网络结构：FCN有几个版