用于语义分割的全卷积神经网络

Posted 2023-03-27

【中文标题】用于语义分割的全卷积神经网络

【英文标题】：Fully convolutional neural network for semantic segmentation

【发布时间】：2018-07-05 13:51:18

【问题描述】：

我可能有一个幼稚的问题，如果这不是询问此类问题的适当渠道，我很抱歉。我已经成功实现了一个用于语义分割的 FCNN，但我不涉及反卷积或反池化层。

我所做的只是将地面实况图像的大小调整为最终 FCNN 层的大小，然后计算我的损失。通过这种方式，我获得了一个较小的图像作为输出，但正确分割。

是否需要反卷积或反池化过程？

我的意思是，在 python 中调整图像大小非常容易，那么为什么要涉及复杂的技术，如反卷积或反池化来做同样的事情呢？我肯定错过了什么。

使用 unpooling 和执行 deconv 放大图像有什么优势？

【参考方案1】：

卷积步骤后网络的输出小于原始图像：您可能不希望这样，您希望对作为输入的图像进行语义分割。

如果您只是将其调整为原始大小，则会插入新像素，因此缺乏精度。反卷积层允许学习这种调整大小（因为它们是在训练期间通过反向传播学习的），因此可以提高分割精度。

【讨论】：

我明白了。我目前正在使用这种技术。在我的情况下，我真的不觉得需要比通常的插值更精确。非常感谢您的评论。