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. iOS进阶之架构设计MVVM的实现示例(4)
  2. Android构建流程——篇一
  3. linux yum nothing,Centos6.9 yum安装htop报错解决过程
  4. 字母异位词分组—leetcode49
  5. 第十一届河南省赛--H : Attack City and Capture Territory
  6. 标志位鼠标Java_检查标志位java
  7. 思想:CoreMVC是什么(3)
  8. Food Buying(CF-1296B)
  9. sublime text3:呼出安装插件的快捷键
  10. 多商户商城源码_多商户商城APP开发解决方案
  11. sun的EJB开发文档
  12. 华为h12m03装系统_华为H22H-03服务器怎么设置从U盘装系统
  13. TB6612FNG电机驱动使用说明
  14. 精准测试系列产品白皮书2020版
  15. flutter基础布局之 对话框Dialogs
  16. 数据挖掘学习--主成分分析
  17. 拿不到offer退全款 | 廖雪峰的“Web 全栈架构师”开班了!
  18. 曙光服务器amd芯片,AMD六核体验 曙光Ar-H服务器首发评测.docx
  19. 【电路】电容(二)——滤波电容
  20. JAVA编程基础(四)开启Java语言编程之旅

热门文章

  1. 完美解决:You are using pip version 9.0.1, however version 18.0 is available.
  2. OpenCV | OpenCV检测图像轮廓
  3. 决策树算法(五)——处理一些特殊的分类
  4. java 按钮 事件_Java 添加按钮点击事件
  5. 全变量进气系统伺服马_三种伺服电动缸系统的特点
  6. 高水平文章发表必备-数据分析和文献解读技巧
  7. TiM:清华杨云锋-微生物功能性状的新兴模式
  8. NC:南农团队解码并重构微生物群体感应系统
  9. 高级转录组分析和R数据可视化(2020.2,课程推迟,可先报名,时间另行告知)
  10. pandas使用groupby函数计算dataframe数据中每个分组的N个数值的指数权重移动(滚动)平均、例如,计算某公司的多个店铺每N天(5天)的滚动销售额指数权重移动(滚动)平均