原书出处
智能算法导论
184 1 9 . 3 . 1 基 于 神 经 网 络 算 法 的 图 像 分 割
将神经网络应用于图像分割中,得到了远超过传统方法的准确率。之后用神经网络来处理图像分割的方法大多是基于FCN的改进版。
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。
FCN的优点包括:一是训练一个端到端的全卷积神经网络模型,利用卷积神经网络很强的学习能力,能够得到较准确的结果,与以前
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/智能算法导论/_epub-src/EPUB/xhtml/chapter19_0007.xhtml
EPUB SHA-256:18e2691ea1badb55bab48f10fe7172f9d6a95bc5207bb2e234686cbbaff3641d