Directory

看到脑门疼，存了5$打印出来看，周六要交一个report

这篇文章讲的很好。卷积神经网络（CNN）：图像级语义理解的利器

全卷积神经网络(FCN)是基于CNN提出的一种新方法。通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图（feature map）映射成一个固定长度的特征向量。通常适合于图像级的__分类__和__回归__任务。即最终的输出都表示为数值class score。

与物体分类要建立图像级理解任务不同的是，有些应用场景下要得到图像像素级别的分类结果，例如：

• 语义级别图像分割(semantic image segmentation), 最终要得到对应位置每个像素的分类结果。其目的是将图像分割为若干个区域, 使得语义相同的像素被分割在同意区域内。

• 边缘检测, 相当于对每个像素做一次二分类（是边缘或不是边缘）。这个很常见。

FCN进行像素级的分类来解决semantic segmentation问题。FCN能够端到端(end to end)得到每个像素的预测结果。他可以接受任意大小的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时也保留了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逐像素分类。

还有一篇blog，讲的是对论文的理解也值得一看论文笔记《Fully Convolutional Networks for Semantic Segmentation》