deeplab系列详解(简单实用年度总结)

1、卷积神经网络为什么具有平移不变性?不变性可分为:平移不变性:TranslationInvariance 旋转/视角不变性:Ratation/ViewpointInvariance 尺度不变性:SizeInvariance 光照不变性:IlluminationInvarianceCNN=卷积+池化图像的特征被平移了,那么在卷积的过程中,特征提取也相应的被平移了…

大家好,又见面了,我是你们的朋友全栈君。

1、卷积神经网络为什么具有平移不变性?

不变性可分为:

  • 平移不变性:Translation Invariance
  • 旋转/视角不变性:Ratation/Viewpoint Invariance
  • 尺度不变性:Size Invariance
  • 光照不变性:Illumination Invariance

CNN = 卷积 + 池化

图像的特征被平移了,那么在卷积的过程中,特征提取也相应的被平移了。

在池化过程中,它返回感受野中的最大值或平均值,感受野仍然对应着图像的特征信息。

所以,CNN具有平移不变性。

2、卷积神经网络为什么很难处理像素级别的分类问题?

  • 重复池化和下采样导致分辨率大幅下降,位置信息丢失难以恢复
  • 空间不变性导致细节信息丢失

其实就是卷积和池化导致缺失了很多图像细节位置信息。

3、deeplab v1做了哪些工作?

问题:DCNNs的不变性不足够进行语义分割。

方法:结合DCNNs和概率图模型,即DCNNs最后一层响应和条件随机场解决分割问题。

4、deeplab v2做了哪些工作?

问题:语义分割问题。

方法:空洞卷积、金字塔池化、DCNNs+CRF。

1、用上采样滤波或空洞卷积(Atrous Convolution)突出卷积,是密集预测任务中强大工具。空洞卷积允许在DCNNs计算的特征响应上显示控制分辨率。同时在不增加参数量和计算复杂度情况下有效扩大滤波感受野来混合更丰富的上下文信息。

2、提出一个带空洞空间金字塔pooling(ASPP)在多尺度上稳定分割目标。ASPP使用多个采样率和有效视野的滤波器探测传入的卷积特征层,从而捕获多个尺度的对象和图像上下文。

3、提出目标边界的定位,通过结合DCNNs和概率模型。普通DCNNs中max-pooling和下采保持不变性但对定位精确度有影响,用DCNNs和CRF结合解决定位精确度问题。

空洞卷积作用:增强密集预测、扩大感受野。

空洞空间金字塔池化作用:多尺度图像表示。(多尺度特征提取+信息融合)

DCNNs+CRF作用:对精确边界的结构预测。

5、deeplab v3做了哪些工作?

问题:语义分割精确度问题。

方法:编-解码结构,引入解码模块;结合Xception model和深度可分卷积(depthwise separable convolution)和ASPP、解码模块。

DeepLabv3,通过增加简单有效的解码模块精细分割结果尤其物体边界。进一步,使用Xception model和深度可分卷积(depthwise separable convolution),结合ASPP和解码模块得到一个更快、更强的编-解码网络。

6、deeplab系列工作?

Deeplabv1使用CRF后处理,提高分割边界的精确度;

Deeplabv2使用空洞卷积扩大感受野,使用洞空间金字塔池化实现多尺度预测和上下文信息提取,同时用到后处理CRF;

Deeplabv3不使用后处理,使用编-解码结构提高分割边界预测,使用深度分离卷积和Xception模块。

 

 

 

 

 

 

 

 

 

 

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/128203.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • 电脑桌面记事本便签_电脑上的便签软件哪个好用

    电脑桌面记事本便签_电脑上的便签软件哪个好用只不过,作为Windows复杂系统中的一个小组件,便签的功能比较简单:比如,它的提醒功能也就到此为止了,没有更进一步的提醒了,像文字弹窗提醒了、响铃声音提醒了等等。因此,一旦忙起来,记在它上面的待办事

    2022年8月3日
    6
  • 光棍节程序员闯关秀过关全攻略(附带小工具)[通俗易懂]

    光棍节程序员闯关秀过关全攻略(附带小工具)[通俗易懂]光棍节程序员闯关秀过关全攻略。程序员的寂寞谁能懂?"SF光棍节程序员闯关秀"智力挑战小游戏火热上线,看看你能闯到第几关?游戏地址:http://segmentfault.com

    2022年7月1日
    39
  • java的句柄_java获取窗口句柄

    java的句柄_java获取窗口句柄Java代码书写过程,文件资源的释放需要特别谨慎的对待.通常文件资源使用后必须close,然后再删除。如果先删除但没有close掉,会造成文件句柄未被释放.这会造成实际使用磁盘空间较大,成为瓶颈importjava.io.File;importjava.io.FileOutputStream;importjava.io.IOException;publicclassFileTest{p…

    2022年10月18日
    0
  • osi七层模型各层功能简述(简述osi七层模型各层功能)

    读完本篇文章将会了解以下问题1.OSI的基本概念及原则2.OSI七层模型各层功能概述3.OSI七层模型举例4.OSI七层模型总结—————————————————————————————————————————…

    2022年4月10日
    62
  • Vue富文本编辑器_前端富文本编辑器插件

    Vue富文本编辑器_前端富文本编辑器插件富文本编辑器博客(coder的自我修养)原文链接:http://www.imcoder.fun/archives/1591583350241TinyMC编辑器简介TinyMCE是一款易用、且功能强大的所见即所得的富文本编辑器。跟其他富文本编辑器相比,有着丰富的插件,支持多种语言,能够满足日常的业务需求并且免费。TinyMCE的优势:开源可商用,基于LGPL2.1插件丰富,自带插件基本涵盖日常所需功能接口丰富,可扩展性强,有能力可以无限拓展功能界面好看,符合现代审美提供经典、内联、沉浸无干

    2022年10月10日
    0
  • 特征选择/筛选方法总结

    作者:jlianghttps://blog.csdn.net/jliang31.特征选择介绍1)特征分类相关特征:对于学习任务(例如分类问题)有帮助,可以提升学习算法的效果; 无关特征:对于我们的算法没有任何帮助,不会给算法的效果带来任何提升; 冗余特征:不会对我们的算法带来新的信息,或者这种特征的信息可以由其他的特征推断出;2)特征选择的目的对于一个特定的学习算法…

    2022年4月7日
    39

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号