伊人久久大香线蕉综合影视_日韩精品少妇无码受不了_71pao成人国产永久免费视频_国产伦片中文免费观看_国产高清无码麻豆精品_九色综合伊人久久富二代_日韩黄色精品_日韩A∨精品日韩精品无码

提升語(yǔ)義分割性能的幾種方法

2019-8-13    seo達(dá)人

本文主要記錄幾種提升基于深度學(xué)習(xí)的圖像語(yǔ)義分割精度的方法,以防忘記!

                                        By zhengzibing2011, 2017年10月21日-星期六

1

1.圖像語(yǔ)義分割面臨的挑戰(zhàn)

(1).特征分辨率減?。褐饕怯缮窠?jīng)網(wǎng)絡(luò)中的重復(fù)最大池化和降采樣(stride跨越)操作造成的,而采用此種操作的原因是 

A.降維,以免參數(shù)過(guò)多難以?xún)?yōu)化; 

B.基于DL的語(yǔ)義分割是從用于分類(lèi)任務(wù)的CNN轉(zhuǎn)化而來(lái),而在分類(lèi)任務(wù)中,分類(lèi)器要求對(duì)輸入的空間變換具有不變性,池化恰能滿(mǎn)足這樣的要求。



(2).不同scale下的目標(biāo)存在的狀況:主要是目標(biāo)在multi-scale圖像中的狀態(tài)造成的,因?yàn)樵谕环N尺度下,不同目標(biāo)的特征往往響應(yīng)并不相同。如需要在較大的尺度下才能較好地提取圖像中比較小的目標(biāo),而較大的目標(biāo)為了獲取全局性信息也必須在較小的尺度下才能實(shí)現(xiàn)。



(3). CNN的空間不變性造成定位精度的下降:對(duì)于分割任務(wù)而言,由于pooling操作引起的分類(lèi)器對(duì)輸入的空間變換具有不變性丟失空間信息,內(nèi)在的限制了分割的空間精度。



2.潛在的解決方法

FCN作為將CNN應(yīng)用于semantic segmentation的forerunner,貢獻(xiàn)巨大。但不可回避,其提出的方法具有一些不足。為保證卻終的feature map不至于過(guò)小,F(xiàn)CN的conv1引入pad=100,引入了較大的噪聲; 

32倍upsample(deconvolution)非常粗糙,而且deconvolution的filter不可學(xué)習(xí); skip architecture雖能有效提高精度,但需要3次訓(xùn)練即FCN-32s->FCN-16s->FCN-8s。除skip architecture外。隨著研究的深入,針對(duì)以上挑戰(zhàn),有以下幾種方法解決:



(1). Encoder-Decoder結(jié)構(gòu)

采用此種思想的代表為DeconvNet,SegNet,其基本思想是采用一種對(duì)稱(chēng)結(jié)構(gòu)將由于pooling操作而減小的feature map通過(guò)逐步的upsample逐漸恢復(fù)到原圖像大小,同時(shí)在upsample階段,融合了subsample中pooling index,具體細(xì)節(jié)可參見(jiàn)原文。 





(2). Atrous convolution

feature map的減小是由于pooling造成的,為確保一定精度的feature map,能否不使用或減少使用pooling呢?理論上是可行的,但如果這樣做會(huì)使得需要優(yōu)化的參數(shù)過(guò)多,重要的是難以基于以前的model進(jìn)行fine-tuning,atrous convolution解決了這個(gè)問(wèn)題。 

在DeepLab中令pool4,pool5的stride=1,再加上1 padding,這樣經(jīng)過(guò)pooling后feature map大小不變,但后層的感受野發(fā)生了變化,為使感受野不變,后面的卷積層使用atrous convolution,其作用是在不增加參數(shù)的前提下,增加感受野。因此,解決了feature map空間分辨率下降的問(wèn)題。







(3). ASPP

針對(duì)不同scale下的目標(biāo)存在的狀況問(wèn)題,可通過(guò)兩種方法解決: 

A.標(biāo)準(zhǔn)的多尺度處理方法,用共享相同參數(shù)的并行CNN的分支,從不同尺度的Input image中提取score map,然后進(jìn)行雙線(xiàn)性差值,最終對(duì)它們進(jìn)行融合,在不同尺度上獲得每個(gè)位置的最大響應(yīng)。訓(xùn)練和測(cè)試時(shí)均這樣處理,比較繁瑣的是需要計(jì)算輸入圖像的每個(gè)尺度在各layer上的特征響應(yīng)。 





B.基于任意尺度上的區(qū)域都可以用在這個(gè)單一尺度上重采樣卷積特征進(jìn)行有效地分類(lèi)的思想,使用多個(gè)不同采樣率上的多個(gè)并行多空卷積,每個(gè)采樣率上提取的特征再用單獨(dú)的分支處理,融合生成最后的結(jié)果。











(4). FC-CRF

CRF幾乎可以用于所有的分割任務(wù)中圖像精度的提高。CNN可用于對(duì)圖像中的目標(biāo)進(jìn)行分類(lèi)并預(yù)測(cè)出目標(biāo)的大致位置,但并不能真正描繪他們的邊界。因此,將DCNN的識(shí)別能力和全連接CRF優(yōu)化定位精度耦合在一起,能成功的處理定位挑戰(zhàn)問(wèn)題,生成了的語(yǔ)義分割結(jié)果。全連接CRF理論較為復(fù)雜,在此不作闡述。類(lèi)似的概率圖模型(PGM)還有MRF,G-CRF(高斯-條件隨機(jī)場(chǎng))。







3.總結(jié)

目前,暫且先記錄以上4種提高分割精度的方法。后續(xù)若有新的方法,予以追加!

————————————————

藍(lán)藍(lán)設(shè)計(jì)cqzjtgb.com )是一家專(zhuān)注而深入的界面設(shè)計(jì)公司,為期望卓越的國(guó)內(nèi)外企業(yè)提供卓越的UI界面設(shè)計(jì)、BS界面設(shè)計(jì) 、 cs界面設(shè)計(jì)  ipad界面設(shè)計(jì) 、 包裝設(shè)計(jì)  圖標(biāo)定制 、 用戶(hù)體驗(yàn) 、交互設(shè)計(jì)、 網(wǎng)站建設(shè) 、平面設(shè)計(jì)服務(wù)

日歷

鏈接

個(gè)人資料

存檔

恭城| 贵州省| 凤城市| 龙江县| 临澧县| 安福县| 阿城市| 尖扎县| 年辖:市辖区| 西乌珠穆沁旗| 如东县| 五大连池市| 晋江市| 柘荣县| 班戈县| 长汀县| 弋阳县| 朔州市| 富民县| 东兰县| 子长县| 姜堰市| 健康| 莲花县| 囊谦县| 定襄县| 自治县| 梁河县| 玉屏| 梅河口市| 沙洋县| 吉木乃县| 沾化县| 丹东市| 察雅县| 武胜县| 长岛县| 叶城县| 博白县| 南漳县| 玉环县|