知识卡片
语义分割逐像素分类
图像分类为整幅图像给出标签,语义分割则需要对每个像素预测类别,从而形成目标区域。后者必须兼顾语义特征和空间位置;若只把卷积特征压成固定长度分类向量,就难以直接得到与输入对应的像素图。语义分割只区分类别,实例分割还要区分同类的不同个体。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 9 . 3 . 1 基 于 神 经 网 络 算 法 的 图 像 分 割 · 查看原书依据
与经典的卷积神经网络在若干卷积流后使用全连接层得到固定长度的特征向量进行分类(本质上,是一种图像级别的语义理解,分类器设计常用Softmax函数)不同,FCN可以接受任意尺寸的输入图像,引入反卷积操作对最后一个卷积层上的特征图进行上采样(需将卷积神经网络中的全连接层也改成卷积层,顾名思义网络结构中没有全连接层,都为卷积流架构),使特征图恢复到与输入图像相同的尺寸,从而可以对每个像素产生一个预测,同时保留原始输入图像中的空间信息,最后在上采样的特征图上进行像素分类。
参考来源
- 位置:《智能算法导论》第 184 项《19.3.1 基于神经网络算法的图像分割》(源文件:`_epub-src/EPUB/xhtml/chapter19_0007.xhtml`)
- 结论依据:正文定义图像分割为区域提取,比较整图分类与 FCN 每像素预测并强调空间信息;实例分割是据任务边界补充的区分。
- 原始内容:“使特征图恢复到与输入图像相同的尺寸,从而可以对每个像素产生一个预测,同时保留原始输入图像中的空间信息”。