dense prediction问题

dense prediction任务,如图像分割、语义分割和边缘检测,要求精确标注图像每个像素点的对象类别。全卷积网络因其优势,成为主流方法,包括u-net、segNet和dilated convolutions等模型。尽管有各种优化,如CRF进行后处理,但仍存在信息损失问题。refineNet和PSPNet等模型进一步改进了这一领域。

dense prediction 

 

理解:标注出图像中每个像素点的对象类别,要求不但给出具体目标的位置,还要描绘物体的边界,如图像分割、语义分割、边缘检测等等。

基于深度学习主要的做法有两种:

  • 基于图像分块:利用像素、超像素块周围小邻域进行独立的分类。(在分类网络中使用全连接层,固定图像块尺寸)
  • 基于全卷积网络:对图像进行pixel-to-pixel 的预测,可以得到任意大小的图像分割结果,而且不需要对每个图像块进行分类,速度快。重要的两点:卷积层上采样、skip connection结构

由于全卷积网络的各种优点,之后各种改进模型被提出来:

  • u-net(用作医学图像分割)对图像进行编码之后解码,在编码时同样是卷积+下采样的结构,为了恢复图像的细节空间信息,在编码与解码过程中加入shortcut connection结构。
  • segNet结构:也是一种编码解码结构,无shortcut connection结构,(将最大池化索引maxpooling indices 转移到解码器)解码时,不像FCN中进行upsampling 的反卷积,而是复制了最大池化索引,使得segNet 比FCN节省内存。(但是准确率不高)
  • dialated convolutions 结构:此结构不需要池化层,使用空洞卷积使得感受野指数增长,但空间维度不下降。3*3的卷积核对应5*5的视觉野。但是空洞卷积的缺点是:得到的都是高分辨率的特征图,计算量较大。

                          

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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