weixin_49496731的博客

数据增强

数据增强

FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation （CVPR2019）1.摘要目前的语义分割通常采用主干网中的扩展卷积来提取高分辨的特征图，这带来了计算复杂度和内存占用。为了替代耗时和消耗内存的膨胀卷积，我们提出了一种新的联合上采样模块——联合金字塔上采样(joint Pyramid upsampling, JPU)，将提取高分辨率特征映射的任务转化为联合上采样问题。实验表明，JPU优于

ImageNet Classification with Deep Convolutional Neural Networks-基于深度卷积神经网络的图像分类1.论文总览摘要介绍背景及提出Alex模型获得ILSVRC-2012冠军；The DatasetILSVRC数据集简介，图片预处理细节；The ArchitectureAlex网络结构及其内部细节Relu,GPU,LRN,Overlapping poolingReducing Overfitting防止过拟合技术，数据增强和Dro

引用：https://www.cnblogs.com/aiblbns/p/11124656.html

FCN-Fully Convolutional Networks for Semantic SegmentationAbstract1. introduction2.相关工作3.Fully convolutional networks3.1适应分类器用于失谐预测3.2 Shift-and-stitch is fifilter rarefaction3.3Upsampling is backwards strided convolution3.4 Patchwise training is loss sam

论文Summary 摘要keyword 关键字1、Introduction 背景介绍2 Ready work 准备工作2.1 Lightweight model 轻量级模型2.2Contextual information 上下文信息2.3 Post processing 后加工处理2.4 Color feature extraction 颜色特征抽取3 Methodology 方法论3.1 High-to-low dimension fusion network 高到低维融合网络3.2 Fac