六篇经典分割算法汇总
文章目录
- 一、经典分割算法汇总
- 二、模型图
- 三、对比和共同点
- ① U-Net、FusionNet
- ② SegNet、DeconvNet
- ③ DeepLab系列
- 1. v1 & v2:DCNN+CRF
- v1
- v2-ASPP
- v1 &v2 优点
- 2. v3
- 对比v1、v2的改变
- 并联的ASPP改进
- ④ GCN与ExFuse
一、经典分割算法汇总
FCN: 语义分割端到端训练的开端
U-Net & FusionNet: 医学分割算法当中的一个龙头。FusionNet辅助U-Net得到一个更加完善的一个理解。两个相辅相成
SegNet & DeconvNet: 对称的编码-解码结构的代表。
**DeepLab系列:**从v1到v3+,算法越来越完善,结果越来越好。
v1、v2、v3用来过渡,v3+的参考意义比较大,可以涵盖v1、v2、v3所有的思想。
GCN: 角度一,重用大卷积核。
大卷积核在一开始分类算法AlexNet、LeNet是很常用的。后来VGG开始证明了小的卷积核堆叠也可以替代大卷积核。而且还可以减少计算复杂度,所以后面的分割算法用的都是小的卷积核。
GCN证明大卷积核还是有用的,可以用通过深度可分离卷积的方式来减小计算量,两全其美,都顾及到了效率和精确度这样两个方向。
ExFuse & DFN: 角度二,宏观角度看待语义分割。
ExFuse呢是GCN的一个后续。DFN是另外一个角度。
二、模型图
FCN
U-Net
FusionNet
SegNet
DeconvNet
DeepLab v3+
GCN
ExFuse
DFN
三、对比和共同点
① U-Net、FusionNet
共同点:
下采样与上采样的方式一样,都是max pooling + 反卷积
数量都一样,都是4次。(一般是5次,提取信息全一点)
不同点:
FusionNet 没有尺寸上的变化,严格按照2倍缩小2倍扩大。
中间的内部块不一样。U-Net用的卷积,FusionNet用的“汉堡”,两个卷积中间夹一个残差块。
特征融合方式不一样。U-Net用的concat拼接,通道数翻倍,FusionNet用的sum,逐像素求和点加
② SegNet、DeconvNet
不同点:
反池化与反卷积结合来形成 decoder
encoder 和 decoder 之间加入了全连接
③ DeepLab系列
1. v1 & v2:DCNN+CRF
使用DCNN生成一个粗糙的特征图
使用CRF条件随机场做后处理,使边界信息更加精准平滑
v1
由改编后的vgg16构成的;
卷积替代了全连接;
在最后两个最大池化层(pooling 4、5)之后,不需要进行上采样;
在pooling4、polling5卷积核后面加入了空洞卷积;
整个网络以VGG16为基础,加了预训练权重
v2-ASPP
跟v1相比的提高:
使用了ASPP多尺度提取模块;
扩展了主网络,除了VGG16,还使用了ResNet作为主路径来提取特征;
采用了pollcy学习率,来替代标准学习率
ASPP
更好地提取多尺度特征;
在卷积前,使用多个空洞率,并行的处理特征,有高效的计算效率;
多采样率并行的方式设计ASPP模块
v1 &v2 优点
- 速度:空洞卷积的算法,使得速度提高很多,DCNN操作8 fps,CRF处理一张0.5s
- 准确度很高
- 简单性:DCNN和CRF都是成熟的模块了,只是做个衔接
2. v3
对比v1、v2的改变
① 提出了一个常用的框架,可应用于任何网络;
② 复制的最后一个ResNet的多个副本。
后面的block 5、6、7都是通过复制ResNet block4形成的。没有用到本身的模块,不再下采样,不再引用通道数造成网络负担。第一个版本按照串联排列的,加了ASPP之后也有并联排列的
③ 优化了ASPP模块,在每一个卷积后面都加了BN层。
BN对整个网络效果都有影响
④ CRF取消了
并联的ASPP改进
- BN加入到ASPP里面
- 随着空洞率的增加,在学习的权重越变越小
- 加入了图像的全局平均池化,在ASPP中进行补偿 (思想很像ResNet的残差结构)
一个1×1卷积----三个3×3的卷积(对应的空洞率分别是6,12,18)
都是256个和BN层
在最后加入image-level features,使用全局平均池化
通过ASPP得到的结果,使用concat进行拼接,再进行一个1×1的卷积,作为输出。
④ GCN与ExFuse
共同点:
输入对应的主路径一样,包括尺寸和通道数的设置
不同点:
(1)ExFuse多了SS多监督块
(2)在每个GCN模块之前,ExFuse里提交了SEB多特征融合的小模块来优化结果,消除低级特征与高级特征之间的差距.
(3)ExFuse在Deconv第一个反卷积后面有一个ECRE的提出,(比单纯的拟合反卷积好一点,但是用的不多)
(4)ExFuse没有BR,多了DAP
六篇经典分割算法汇总相关推荐
- 终于,把十大经典排序算法汇总了!(Java实现版)
转载自 终于,把十大经典排序算法汇总了!(Java实现版) 最近几天在研究排序算法,看了很多博客,发现网上有的文章中对排序算法解释的并不是很透彻,而且有很多代码都是错误的,例如有的文章中在" ...
- mask rcnn算法分析_实例分割综述(单阶段/两阶段/实时分割算法汇总)
作者:Danny明泽 来源:公众号@3D视觉工坊 链接:实例分割综述(单阶段/两阶段/实时分割算法汇总) 简介 目标检测或定位是数字图像从粗到细的一个渐进过程.它不仅提供了图像对象的类,还提供了已分类 ...
- 实例分割综述(单阶段/两阶段/实时分割算法汇总)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 简介 目标检测或定位是数字图像从粗到细的一个渐进过程.它不仅提供了图像对象的类,还提供了已分类图像中对 ...
- C#实现所有经典排序算法汇总
C#实现所有经典排序算法 1.选择排序 class SelectionSorter { private int min; public void Sort(int[] arr) { for (int ...
- 秒杀多线程第六篇 经典线程同步 事件Event
阅读本篇之前推荐阅读以下姊妹篇: <秒杀多线程第四篇 一个经典的多线程同步问题> <秒杀多线程第五篇 经典线程同步关键段CS> 上一篇中使用关键段来解决经典的多线程同步互斥问题 ...
- 秒杀多线程第八篇 经典线程同步 信号量Semaphore
阅读本篇之前推荐阅读以下姊妹篇: <秒杀多线程第四篇一个经典的多线程同步问题> <秒杀多线程第五篇经典线程同步关键段CS> <秒杀多线程第六篇经典线程同步事件Event& ...
- 秒杀多线程第九篇 经典线程同步总结 关键段 事件 互斥量 信号量
前面<秒杀多线程第四篇一个经典的多线程同步问题>提出了一个经典的多线程同步互斥问题,这个问题包括了主线程与子线程的同步,子线程间的互斥,是一道非常经典的多线程同步互斥问题范例,后面分别用了 ...
- 秒杀多线程第七篇 经典线程同步 互斥量Mutex
阅读本篇之前推荐阅读以下姊妹篇: <秒杀多线程第四篇一个经典的多线程同步问题> <秒杀多线程第五篇经典线程同步关键段CS> <秒杀多线程第六篇经典线程同步事件Event& ...
- 秒杀多线程第五篇 经典线程同步 关键段CS
上一篇<秒杀多线程第四篇 一个经典的多线程同步问题>提出了一个经典的多线程同步互斥问题,本篇将用关键段CRITICAL_SECTION来尝试解决这个问题. 本文首先介绍下如何使用关键段,然 ...
- 深度学习应用篇-计算机视觉-语义分割综述[5]:FCN、SegNet、Deeplab等分割算法、常用二维三维半立体数据集汇总、前景展望等
[深度学习入门到进阶]必看系列,含激活函数.优化策略.损失函数.模型调优.归一化算法.卷积模型.序列模型.预训练模型.对抗神经网络等 专栏详细介绍:[深度学习入门到进阶]必看系列,含激活函数.优化策略 ...
最新文章
- 本科-人工智能复习题
- 牛客练习赛7 E 珂朵莉的数列
- java23种设计模式之五:代理模式
- d3.js 教程 模仿echarts柱状图
- LeetCode--palindrome-number回文数
- 将std::string字符串格式的数字转换为int类型的数字
- 铁大Facebook——十天冲刺(1)
- python萌新:从零基础入门到放弃
- SAP License:ReportPainter报表显示JPY等无小数位货币时少两位
- Python的permutations和combinations的区别
- MinGW GCC 7.3.0 2018年1月25日 出炉啦
- 做到这几点在家也能拍出好看的证件照
- Git vs GitHub –什么是版本控制及其工作方式?
- 【办公软件有哪些】万彩办公大师教程丨PDF页面编辑
- matlab中eval的用法
- 计算机毕业设计Java-ssmC语言教学辅导网站源码+系统+数据库+lw文档
- MATLAB仪表示数读书识别GUI设计
- TMS320F28379D——时钟系统
- 【LeetCode题解】347_前K个高频元素(Top-K-Frequent-Elements)
- docker删除镜像及容器