FCN + ResNet50

最新推荐文章于 2025-06-12 18:00:26 发布
原创 最新推荐文章于 2025-06-12 18:00:26 发布 · 7.8k 阅读 · 15 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#语义分割 #FCN

本文介绍了如何利用FCN解决语义分割问题，通过结合ResNet50网络来提高分割精度。在Caffe框架下，采用ResNet-50进行下采样，增加了网络深度和跳转连接，实现多尺度分割，同时加速了训练过程，提升了mean IOU指标，达到90.28%的测试效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

为了解决语义级别的图像分割问题，FCN（全卷积网络）对图像进行了像素级的分类。FCN在经过前级的卷积下采样后，采用了反卷积层对卷积得到的最后一个feature map进行上采样，使它恢复到输入图像的尺寸。FCN对每个像素都进行分类，同时保留了原始输入图像的空间信息。最后逐像素计算softmax分类损失，下图为FCN的结构示意图：

我们此次采用了Caffe这一深度学习框架对FCN进行了实现，分别在Person-Segmentation、PASCAL VOC2012和Sift-Flow数据集上面分别进行了训练和测试。下图为FCN在Person-Segmentation数据集上训练后的测试指标：

为了实现更好的分割性能，我们对FCN进行了改进，使用ResNet-50的卷积神经网络进行下采样，这样带来的好处有以下几点：1，加深网络层数，提高了网络的分割精度；2，网络中间可以添加更多的跳转连接，这样就能更好的结合图像的背景语义信息，进行多尺度的分割；3，ResNet具有快速收敛，减小模型数据量的优势；4，ResNet使得模型更加的容易训练，既能防止模型退化，又能防止梯度消失，Loss不收敛。

我们对加入ResNet-50的网络重新进行了训练，下图为训练过程中的Loss收敛曲线：</

最低0.47元/天 解锁文章

200万优质内容无限畅学
FCN改进：CBAM注意力机制增强FCN-ResNet50分割模型
Henry的博客
05-13 674
本文介绍了一个结合CBAM（Convolutional Block Attention Module）注意力机制的FCN-ResNet50语义分割模型的实现。CBAM模块通过通道注意力和空间注意力机制，帮助模型聚焦于图像中的重要特征和区域，从而提高分割精度。代码首先实现了CBAM模块，接着在FCN-ResNet50模型的ResNet50骨干网络的四个层级后分别添加了CBAM模块，最后进行了前向传播测试。测试结果显示，模型能够输出5个类别的分割概率图。这种设计通过在不同层级添加注意力模块，捕捉不同尺度的特征，
第91步 深度学习图像分割：FCN建模
Jet4505的博客
11-14 454
第91步 深度学习图像分割：FCN建模
R-FCN+ResNet-50用自己的数据集训练模型(python版本)
热门推荐
小咸鱼_的博客
11-17 5万+
说明： 本文假设你已经做好数据集，格式和VOC2007一致，并且Linux系统已经配置好caffe所需环境（博客里教程很多），下面是训练的一些修改。 py-R-FCN源码下载地址： https://github.com/Orpine/py-R-FCN 也有Matlab版本： https://github.com/daijifeng001/R-FCN 本文用到的是pyth
RESNet50+FCN模型文件
03-06
RESNet50+FCN train模型文件
深度学习入门（4）：resnet50
最新发布
qq_41155229的博客
06-12 938
ResNet架构极具通用性，之后的众多网络架构（如 ResNeXt、DenseNet、HRNet 等）都基于或借鉴了其残差结构。ResNet的提出解决了深层神经网络训练中的退化问题，使构建和优化超深网络成为可能，标志着深度学习进入更高层次发展的关键转折点。的网络（用于ImageNet竞赛），并在2015年ImageNet竞赛中取得冠军。：即网络越深，准确率反而变差。传统网络在超过20层时，训练效果不理想，而ResNet成功地训练了。的连接使得信息能够直接在网络中传播，有助于深层网络的训练。
（17）语义分割（3）_pytorch用resnet50实现的FCN
chencaw的专栏
10-18 1218
dd
py-R-FCN的ResNet50和ResNet101预训练模型
02-21
就是两个预训练模型，分别是ResNet-50的和ResNet-101的预训练模型。直接下载解压就行了。对了，是原版的RFCN哦，就是Caffe+Python的，不是tensorflow的model。
FCN-ResNet18-Cityscapes-1024x512.tar.gz
03-07
文件包括：classes.txt; colors.txt; fcn_resnet18.onnx。Jetson Nano官方预训练模型
fcn_resnet50_coco-1167a1af.zip
03-16
torchvison的fcn_resnet50_coco-1167a1af图像分割预训练模型，里面包含fcn_resnet50和resnet50的预训练模型，二者缺一不可。如果使用torchvision自动下载比较慢的可以直接下载这个放在%USERPROFILE%.cache\torch\hub\checkpoints文件夹下。
FCN相关问题的一些整理 (FCN VGG Segnet resnet )
有些代码不应该被忘记
08-18 1万+
1  FCN 相对CNN的优点 1) 2014年，加州大学伯克利分校的Long等人提出的完全卷积网络(Fully Convolutional Networks)，推广了原有的CNN结构，在不带有全连接层的情况下能进行密集预测。 这种结构的提出使得分割图谱可以生成任意大小的图像，且与图像块分类方法相比，也提高了处理速度。在后来，几乎所有关于语义分割的最新研究都采用了这种结构。 2) 除
Nvidia jetson-inference Hello AI Network — FCN-ResNet18-DeepScene-576x320.zip
05-18
Nvidia jetson-inference Hello AI World Networks Packages
pytorch实现FCN、segnet，resnet、u-net参考资料
chenfang0529的博客
08-18 2603
参考： VOC2012实例： 基于pytorch的FCN网络简单实现 知乎专栏实现FCN网络https://zhuanlan.zhihu.com/p/32506912 FCN-Pytorch实现源码阅读笔记 深度学习图像语义分割网络总结：FCN与SegNet的Pytorch实现 FCN详解与pytorch简单实现（附详细代码解读） 使用pytorch进行迁移学习模型下载 Segnet 【图像分割】用pytorch实现SegNet算法 ...
Nvidia jetson-inference Hello AI Network — FCN-ResNet18-Cityscapes-1024x512.zip
05-18
Nvidia jetson-inference Hello AI World Networks Packages
使用resnet FCN训练VOC2007 数据集语义分割
12-24
在google colab上完美验证过。 可结合本人博客https://blog.youkuaiyun.com/WANGWUSHAN/article/details/103600950#comments_14325675 进行学习。 使用时需要把数据集放到："/content/drive/My Drive/VOC2007"文件夹下。 声明：本程序参考了知乎：https://zhuanlan.zhihu.com/p/32506912。
图像语义分割 FCN图像分割网络详解
guoqingru0311的博客
09-25 1630
图像语义分割 FCN图像分割网络网络详解
FCN图像分割和QT 6.6.0 加载分割FCN_Resnet50.ONNX模型文件进行图像分割（过程详解）
Keep_Trying_Go的博客
08-18 933
最终库版本选择qt==6.6.0(不一定是这个版本)本文主要是基于PyTorch官方提供的分割预训练模型转换为ONNX之后应用到QT中，和上一节讲到的在QT中加载目标检测ONNX模型一样，加载ONNX分割模型也需要注意torch版本的问题，在QT中基于OpenCV加载分割的ONNX模型文件，在处理数据以及结果的过程中相对较复杂，还是建议读者先看前几篇博文，再来看本文也许会更好理解。
R-FCN+ResNet-50训练自己的数据(python版本)
城墙上的小石头
10-24 1309
网上现有教程还是会出现很多问题，本文章内容比较详细，对训练过程中可能出现的问题进行了补充。
昇思25天学习打卡营第10天|FCN图像语义分割、ResNet50迁移学习
jing1452的博客
07-04 1006
ResNet50网络是2015年由微软实验室的何恺明提出，获得ILSVRC2015图像分类竞赛第一名。在ResNet网络提出之前，传统的卷积神经网络都是将一系列的卷积层和池化层堆叠得到的，但当网络堆叠到一定深度时，就会出现退化问题。下图是在CIFAR-10数据集上使用56层网络与20层网络训练误差和测试误差图，由图中数据可以看出，56层网络比20层网络训练误差和测试误差更大，随着网络的加深，其误差并没有如预想的一样减小。
【霹雳吧啦】手把手带你入门语义分割5：PyTorch 官方实现的 FCN 网络结构（Resnet50 Backbone 、FCN Head、Bilinear Interpolate）
作者正在煮茶中...
12-11 2218
这篇文章是我根据 B 站 霹雳吧啦Wz 的《深度学习：语义分割篇章》所作的第五篇学习笔记，主要介绍了 PyTorch 官方实现的 FCN 网络框架，包括其 Resnet50 Backbone 、FCN Head 和 Bilinear Interpolate 模块。作者小白，请多包涵！
FCN_resnet50
03-14
### FCN ResNet50 模型实现概述 全卷积网络（Fully Convolutional Network, FCN）是一种用于语义分割的经典架构，其核心思想是通过移除传统 CNN 中的全连接层来支持任意尺寸输入，并利用反卷积操作恢复像素级预测。ResNet50 是一种常用的骨干网络，因其良好的性能和可扩展性被广泛应用于 FCN 架构中。 以下是基于 PyTorch 的 FCN_ResNet50 模型实现代码示例： ```python import torch from torchvision import models # 加载预训练的 FCN_ResNet50 模型 fcn_model = models.segmentation.fcn_resnet50(pretrained=True) # 设置模型为评估模式 fcn_model.eval() # 假设输入张量形状为 (batch_size, channels, height, width) input_tensor = torch.randn(1, 3, 224, 224) # 执行前向传播 output = fcn_model(input_tensor)['out'] print(output.shape) # 输出形状应为 (1, num_classes, height, width) ``` 上述代码展示了如何加载 `torchvision` 提供的预训练 FCN_ResNet50 模型[^4]。该模型适用于标准的 Pascal VOC 数据集分类任务，具有 21 类输出。 --- ### 自定义 FCN_ResNet50 实现细节 如果需要自定义 FCN_ResNet50 模型，则可以手动构建如下结构： #### 骨干网络初始化 ResNet50 可以作为特征提取器使用，具体方式是从 `torchvision.models.resnet50` 导入并调整最后一层。 ```python import torch.nn as nn import torchvision.models as models class FCN_ResNet50(nn.Module): def __init__(self, num_classes=21): super(FCN_ResNet50, self).__init__() # 使用 ResNet50 作为骨干网络 backbone = models.resnet50(pretrained=True) # 移除最后的全连接层 layers = list(backbone.children())[:-2] self.backbone = nn.Sequential(*layers) # 添加上采样层 self.upconv = nn.ConvTranspose2d(2048, num_classes, kernel_size=16, stride=16) def forward(self, x): features = self.backbone(x) output = self.upconv(features) return output ``` 此代码片段实现了基本的 FCN 结构，其中 ResNet50 被用作特征提取器，而最终的反卷积层负责将低分辨率特征图还原至原始图像大小[^5]。 --- ### 训练与测试流程 为了完成完整的训练和测试过程，需遵循以下设计原则： - **损失函数**：通常采用交叉熵损失（CrossEntropyLoss），适合多类别的语义分割任务。 - **优化器**：推荐 Adam 或 SGD，学习率可根据实验效果动态调整。 - **数据增强**：引入随机裁剪、翻转等手段提升泛化能力。 以下是简化版训练循环示例： ```python import torch.optim as optim # 初始化模型、损失函数和优化器 model = FCN_ResNet50(num_classes=21).cuda() criterion = nn.CrossEntropyLoss().cuda() optimizer = optim.Adam(model.parameters(), lr=1e-4) # 假设有 DataLoader 和标签 for images, labels in dataloader: images, labels = images.cuda(), labels.cuda() optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() ``` --- ### 测试阶段准确率计算 在测试过程中，可以通过比较预测结果与真实标签来衡量模型表现。例如，计算像素级别的平均交并比（mIoU）或其他指标。 ```python def calculate_accuracy(preds, targets): preds = torch.argmax(preds, dim=1) correct_pixels = torch.sum((preds == targets).float()) total_pixels = targets.numel() accuracy = correct_pixels / total_pixels * 100 return accuracy.item() ``` --- ### 推荐资源与文档 对于更深入的学习和技术参考资料，建议查阅以下链接： - 官方 PyTorch 教程中的语义分割章节[^6]。 - GitHub 上开源项目如 [pytorch-semseg](https://github.com/meetshah1995/pytorch-semseg)，提供了多种 FCN 及其他分割模型的实现。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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