语义分割--DeconvNet--Learning Deconvolution Network for Semantic Segmentation

最新推荐文章于 2025-07-08 11:30:25 发布
原创 最新推荐文章于 2025-07-08 11:30:25 发布 · 8.1k 阅读 · 8 ·
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。

提出了一种新的deconvolution network用于改进FCN在语义分割任务中的表现。该网络包含卷积和反卷积两部分，卷积部分用于特征提取，反卷积部分则用于生成分割结果。通过unpooling和deconvolution操作，能够更好地保留细节信息。

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

Learning Deconvolution Network for Semantic Segmentation
ICCV2015
http://cvlab.postech.ac.kr/research/deconvnet/
https://devhub.io/zh/repos/myungsub-DeconvNet

本文提出了一个 deconvolution network 用于语义分割，还是针对 FCN 改善的。在pooling operation 记录 the locations of maximum activations ，将这些位置用于 unpooling
这一点和 SegNet 是一样的。

首先来说说FCN 有什么问题？
这里写图片描述

FCN 的 limitations：
1）FCN 因为其固定尺寸receptive field只能解决单尺度的semantics ，对于过大过小的目标分割都有可能有问题
the network can handle only a single scale semantics within image due to the fixed-size receptive field. Therefore, the object that is substantially larger or smaller than the receptive field may be fragmented or mislabeled.
2）FCN 的 deconvolution procedure 太粗糙太简单，FCN 的 deconvolution procedure输入尺寸只有16 × 16，将这个尺寸通过 bilinear interpolation 放大到输入图像尺寸。目标很多细节信息丢失

3 System Architecture
这里写图片描述
我们的网络包括两个部分：convolution and deconvolution networks

卷积网络用于提取特征，使用 VGG 16-layer net
convolution network corresponds to feature extractor

反卷积网络根据特征产生分割结果
deconvolution network is a shape generator that produces object segmentation from the feature extracted from the convolution network.

3.2. Deconvolution Network for Segmentation
反卷积网络中主要有两个操作步骤： unpooling and deconvolution

3.2.1 Unpooling
Pooling 会产生降采样的效果，导致一些细节丢失。 spatial information within a receptive field is lost during pooling，这些信息对于语义分割很重要。为了解决这个问题，我们在反卷积网络中使用 unpooling layers， It
records the locations of maximum activations selected during pooling operation in switch variables, which are employed to place each activation back to its original pooled location.

3.2.2 Deconvolution
unpooling layers 得到一个放大的但是稀疏的响应特征图， 这里通过deconvolution layers 来将稀疏的特征变为稠密的特征
The deconvolution layers densify the sparse activations obtained by unpooling through convolution-like operations with multiple learned filters.

The learned filters in deconvolutional layers correspond to bases to reconstruct shape of an input object.

这里写图片描述

这里写图片描述
这里写图片描述

Unpooling captures example-specific structures
learned filters in deconvolutional layers tend to capture class-specific shapes

与FCN 效果对比：
这里写图片描述

PASCAL VOC 2012 test set
这里写图片描述

instance-wise prediction 的好处
这里写图片描述

本文算法较FCN的细节要好些
这里写图片描述

FCN 的全局观要好一些
这里写图片描述

与FCN的结合
这里写图片描述

语义分割论文：Learning Deconvolution Network for Semantic Segmentation (ICCV2015)
mingo_敏
04-01 1106
Deconvolution: Learning Deconvolution Network for Semantic Segmentation (ICCV2015) https://arxiv.org/pdf/1505.04366.pdf http://cvlab.postech.ac.kr/research/deconvnet/ Caffe: https://github.com/Hyeonw...
语义分割 - Semantic Segmentation Papers
热门推荐
长风破浪会有时，直挂云帆济沧海
05-23 3万+
Semantic Segmentation Learning a Discriminative Feature Network for Semantic Segmentation - CVPR2018 - Face++ [Paper] Vortex Pooling: Improving Context Representation in Semantic Segmentation - 2018...
深度学习论文笔记（七）---Deconvolution network-2016年（Learning Deconvolution Network for Semantic Segmentation ）
朝花&夕拾
07-23 1843
深度学习论文笔记（七）---Deconvolution network Learning Deconvolution Network for Semantic Segmentation Author：H Noh ， S Hong ， B Han Year：2016 1、  导引 2015年提出的FCN网络在Semantic segmentation上取得了较好的成绩，但是依然存在
【论文阅读】Learning Deconvolution Network for Semantic Segmentation
huitailangyz的博客
08-20 2279
论文地址：https://arxiv.org/abs/1505.04366v1   目录 【概要】 一、介绍 二、相关工作 三、系统结构 3.1 结构 3.2 用于分割的反卷积网络 3.3 系统概述 四、训练 4.1 批标准化（Batch Normalization） 4.2 两步训练 五、推断 5.1 汇总实例级别的分割映射 5.2 与FCN进行集成 六、实验 ...
图像语义分割数据预处理方法实战（含代码）
最新发布
m0_51501907的博客
07-08 207
本文介绍了医学图像处理中的几项关键技术：1) 大图切块提取函数，支持自定义尺寸和步长，适用于.svs/.tif格式的病理图像；2) 基于Albumentations库的数据增强方法，包含翻转、旋转等变换；3) 图像转黑白工具，用于生成负样本mask；4) mask转Labelme格式工具，支持自动轮廓提取和JSON文件生成；5) 数据集自动划分工具，可随机分配训练集和验证集并创建目录结构。这些方法为医学图像分析任务提供了完整的预处理流程，涵盖数据准备、增强和标注转换等环节。
Deep learning：五十(Deconvolution Network简单理解)
weixin_34343689的博客
11-26 478
  　　深度网络结构是由多个单层网络叠加而成的，而常见的单层网络按照编码解码情况可以分为下面3类： 既有encoder部分也有decoder部分：比如常见的RBM系列（由RBM可构成的DBM, DBN等），autoencoder系列(以及由其扩展的sparse autoencoder, denoise autoencoder, contractive autoencoder, satu...
Learning Deconvolution Network for Semantic Segmentation
zjl-wgf
03-21 1136
Learning Deconvolution Network for Semantic Segmentation 摘要1. 提出新的语义分割算法：深度反卷积网络； 2. 在VGG-16卷积层上学习网络； 3. 反卷积组成：deconvolution and unpooling layers，识别逐像素的类别标签和预测的分割mask； 4. 将object proposal（edge box）送入训
【图像分割论文阅读】Learning Deconvolution Network for Semantic Segmentation
Ray
05-13 483
论文发表时间比较长，于2015年发表于ICCV，International conference on computer vision。 一作是韩国人，就读于韩国浦项工科大学计算机科学与工程系。 论文地址：Learning Deconvolution Network for Semantic Segmentation 1.Introduction 卷积神经网络在各类视觉识别类任务如图像分类、目...
论文笔记：Learning Deconvolution Network for Semantic Segmentation
01-06
而本文提出了DeconvNet，该网络可以拆解成反卷积层和反池化层，可以很好地解决上面FCN出现的问题并完成语义分割任务。作者最后发现DeconvNet和FCN能够非常兼容地进行合并，因此作者最后将FCN和DeconvNet结合能产生更...
【DeconvNet】Learning Deconvolution Network for Semantic Segmentation
Jinming Su
05-03 3623
基本情况 这是ICCV2015的一篇文章，所属领域为semantic segmentation.这篇文章比SegNet早. Abstract 提出深度反卷积网络: 是在vgg16的顶部添加反卷积层.反卷积层由deconvolution、relu和upooling组成. 通过把每一张图片的不同的proposal送入deploy的网络，通过aggregate得到最后的语义分割结果. 改进...
Darknet 语义分割软件包
01-11
使用Darknet作图像语义分割时提供参考。找了好几个资源都没有合适的，提供给同样需要的人.
【论文笔记】Learning Deconvolution Network for Semantic Segmentation
xiaxzhou的博客
07-01 2796
Learning Deconvolution Network for Semantic Segmentation首先介绍了基于FCN的语义分割，如论文： Fully Convolutional Networks for Semantic Segmentation Semantic Image Segmentation with Deep Convolutional Nets and Fully Co
【论文笔记】《Learning Deconvolution Network for Semantic Segmentation》
IT菜鸟
01-25 1449
【论文笔记】《Learning Deconvolution Network for Semantic Segmentation》
【论文翻译】Learning Deconvolution Network for Semantic Segmentation
No1_Lucky_pig的博客
09-27 436
论文地址：https://arxiv.org/abs/1505.04366v1 主要是为了记录一下自己的论文阅读资料 原文： https://blog.youkuaiyun.com/huitailangyz/article/details/81872804 【概要】 我们提出了一个新颖的通过学习反卷积网络来进行语义分割的算法。我们在来自VGG16层的卷积层之上来学习网络。反卷积网络由反卷积和反池化层组成，用来确定像素级别的类别标签预测分割掩码。对于每个输入图像，我们将训练好的网络应用到每一个方案中，然后通过一个简单的方
FCN-resnet
03-10
### Fully Convolutional Networks with ResNet for Semantic Segmentation Implementation and Tutorials Fully Convolutional Networks (FCNs) combined with the ResNet architecture have become a popular choice for semantic segmentation tasks due to their effectiveness in capturing spatial information at multiple scales. The integration of FCN with ResNet leverages deep convolutional networks while maintaining high-resolution predictions. #### Understanding FCN-ResNet Architecture The core idea behind using ResNet within an FCN framework is to take advantage of residual learning, which helps mitigate vanishing gradient problems during training on very deep architectures[^1]. This combination allows models like FCN-ResNet50 or FCN-ResNet101 to achieve state-of-the-art performance across various datasets by effectively handling complex patterns found in images. #### Key Components Involved To implement such systems typically involves several key components: - **Backbone Network**: Utilizing pre-trained ResNet variants as feature extractors. - **Deconvolution Layers/Upsampling Operations**: These layers help restore the resolution lost through pooling operations performed earlier in the network pipeline. - **Skip Connections**: Integrating lower-level features from early stages into higher levels via skip connections can improve localization accuracy significantly. An example code snippet demonstrating how one might set up this kind of model could look something like below when implemented using PyTorch: ```python import torch.nn as nn from torchvision import models class FCNResNet(nn.Module): def __init__(self, num_classes=21): super(FCNResNet, self).__init__() resnet = models.resnet101(pretrained=True) self.backbone = nn.Sequential(*list(resnet.children())[:-2]) # Add deconv layer(s), e.g., transposed convolutions here... def forward(self, x): ... ``` This setup initializes a backbone based on `resnet101`, removing fully connected layers that are not needed for pixel-wise prediction tasks typical in segmentation scenarios. For detailed guidance including dataset preparation, loss function selection, optimization strategies, etc., resources available online provide comprehensive tutorials covering these aspects thoroughly. Websites dedicated to computer vision projects often host well-documented examples alongside explanations about best practices specific to implementing FCN-based solutions.
评论 3
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