DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
PAMI
Code : http://liangchiehchen.com/projects/DeepLab.html

本文针对深度卷积模型用于语义分割存在的三个问题分别提出对应的解决方法。
问题1: reduced feature resolution 特征图分辨率降低
问题2 :目标的尺度多样性
问题3: 分割的精确性差

对于问题1,特征图分辨率降低的原因是 一系列的 max-pooling and downsampling,我们的解决方法:去除了网络后面的一些降采样,使用了 atrous convolution 来提高分辨率(就是 dilated convolution)
对于老大难多尺度问题2:multiple scales,这里我们参考 spatial pyramid pooling 思想,提出了 atrous spatial pyramid pooling 来解决
对于问题3,我们使用 Conditional Random Field (CRF) 来提高分割的精度

Model Illustration

一维 atrous convolution 示意图

二维 atrous convolution 示意图

Atrous Spatial Pyramid Pooling

Conditional Random Field (CRF)

语义分割DeepLab v2--DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolut相关推荐

  1. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution--阅读笔记

    DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Con ...

  2. 【DeepLab v1 2016】SEMANTIC IMAGE SEGMENTATION WITH DEEP CON- VOLUTIONAL NETS AND FULLY CONNECTED CRFS

    [DeepLab v1]SEMANTIC IMAGE SEGMENTATION WITH DEEP CON- VOLUTIONAL NETS AND FULLY CONNECTED CRFS 用深度卷 ...

  3. 【deeplab】Semantic Image Segmentation with Deep Convolutional Nets and Fully

    deeplab有两篇论文,由于第二篇是在第一篇上增加了一部分内容,就放在一起进行学习了. 第一篇 Semantic Image Segmentation with Deep Convolutional ...

  4. Deeplab v1:SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFS

    1.解决问题 将DCNNs应用于图像标记任务中存在两个问题:信号下采样和空间"不敏感性"(不变性)问题. 第一个问题是在标准的DCNNs每一层重复使用最大池化max-pooling ...

  5. 语义分割--Loss Max-Pooling for Semantic Image Segmentation

    Loss Max-Pooling for Semantic Image Segmentation CVPR2017 https://arxiv.org/abs/1704.02966 本文采用偏数学语言 ...

  6. 【语义分割专题】语义分割相关工作--DeepLab系列

    DeepLab系列: DeepLabV1 贡献:首次把空洞卷积引入图形分割领域. 基本内容: 基于VGG16 去掉最后两个池化层改为卷积层(控制分辨率不要太小) 去掉全连接层(保留最后一个用于soft ...

  7. ckpt下载 deeplabv3_tensorflow语义分割api使用(deeplab训练cityscapes)

    遇到的坑: 1. 环境: - tensorflow1.8+CUDA9.0+cudnn7.0+annaconda3+py3.5 - 使用最新的tensorflow1.12或者1.10都不行,报错:报错不 ...

  8. 语义分割--Large Kernel Matters--Improve Semantic Segmentation by Global Convolutional Network

    Large Kernel Matters–Improve Semantic Segmentation by Global Convolutional Network https://arxiv.org ...

  9. 实时语义分割--ICNet for Real-Time Semantic Segmentation on High-Resolution Images

    ICNet for Real-Time Semantic Segmentation on High-Resolution Images https://hszhao.github.io/project ...

最新文章

  1. 低时延AI完美适配工业场景,边缘智能如何构建数字工业新生态?
  2. 为了今年印象最深刻的唱片,转演唱会消息一个,虽然我去不了 55555
  3. 设置 input元素placeholder的字体颜色
  4. c语言sin程序怎么写_用数控铣床加工六芒星,程序应该怎么写?
  5. 快来被子里 看看我的夜光收钱码!
  6. The Linux Storage Stack Diagram
  7. LUNA16_Challange数据预处理2
  8. C#实现HTTP下载文件的方法
  9. 南阳理工ACM 第71题
  10. 附合导线计算软件_再也不盲目跑杆了,一次性搞懂水准测量+导线测量!
  11. php 分页查询,php实现分页查询的方法
  12. 获取B站SESSDATA及解决403
  13. 4、智慧变电站 - 外围电塔及电线绘制
  14. 什么叫冷备用状态_线路和设备冷备用和热备用的状态分别是什么意思?
  15. 农业统计分析系列2-试验设计
  16. Windows通过虚拟机的Ubuntu系统安装、配置、管理、远程访问ClickHouse
  17. 基于Springboot中小餐厅点餐管理系统设计
  18. 【视频教程】Win10系统需要关闭的功能,常规隐私 win10电脑怎么关闭隐私选项
  19. MMA格斗包含UFC与ONE
  20. C++ 优先队列priority_queue,如何定义大小根堆

热门文章

  1. Numpy中的meshgrid()函数
  2. Chem. Commun. | 利用基于迁移学习策略的transformer 模型进行Heck反应预测
  3. Machine Learning | (8) Scikit-learn的分类器算法-随机森林(Random Forest)
  4. 第六课.GNN的可解释性
  5. 第七课.Logistic回归算法
  6. sangerbox平台使用(三)绘制火山图
  7. 第二届Bio-protocol生物实验短视频大赛作品征集开始 | 奖品丰厚,等你来拿
  8. 关于植物和共生微生物,这116张PPT讲明白了(值得收藏!)
  9. WR:微生物污染源解析中宿主特异性标记物在中国的表现特征
  10. NBT:人类微生物组千万基因的参考基因集