知识卡片
FCN上采样生成像素图
FCN 将分类网络的全连接层改为卷积运算,使输入尺寸可变;再对较低分辨率的特征图上采样并做像素分类。下采样带来的细节损失可能使小目标和边界难以恢复,需考虑多尺度特征融合。上采样可由转置卷积等方法实现,输出对齐仍需处理步幅、填充和裁剪,不能只凭“放大到原图大小”保证精度。
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:正文介绍全连接层改卷积、上采样及裁剪和像素分类,并指出小目标丢失与多尺度改进;原文“反卷积”按常见上采样实现作限定。
- 原始内容:“需将卷积神经网络中的全连接层也改成卷积层……使特征图恢复到与输入图像相同的尺寸……缺点是……容易丢失较小的目标”。