fcn全卷积神经网络搭建_区域卷积神经网络

2022-11-09 15:15:03 浏览数 (1)

大家好，又见面了，我是你们的朋友全栈君。

文章目录

  • 1. 综述
    • 简介
    • 核心思想
  • 2. FCN网络
    • 2.1 网络结构
    • 2.2 上采样 Upsampling
    • 2.3 跳级结构
  • 3 FCN训练
  • 4. 其它
    • 4.1 FCN与CNN
    • 4.2 FCN的不足
    • 4.3 答疑
  • 【参考】

1. 综述

简介

全卷积网络（Fully Convolutional Networks，FCN）是Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。FCN将传统CNN后面的全连接层换成了卷积层，这样网络的输出将是热力图而非类别；同时，为解决卷积和池化导致图像尺寸的变小，使用上采样方式对图像尺寸进行恢复。

核心思想

  • 不含全连接层的全卷积网络，可适应任意尺寸输入；
  • 反卷积层增大图像尺寸，输出精细结果；
  • 结合不同深度层结果的跳级结构，确保鲁棒性和精确性。

2. FCN网络

2.1 网络结构

FCN网络结构主要分为两个部分：全卷积部分和反卷积部分。其中全卷积部分为一些经典的CNN网络（如VGG，ResNet等），用于提取特征；反卷积部分则是通过上采样得到原尺寸的语义分割图像。FCN的输入可以为任意尺寸的彩色图像，输出与输入尺寸相同，通道数为n（目标类别数） 1（背景）。FCN网络结构如下：

2.2 上采样 Upsampling

在卷积过程的卷积操作和池化操作会使得特征图的尺寸变小，为得到原图像大小的稠密像素预测，需要对得到的特征图进行上采样操作。可通过双线性插值（Bilinear）实现上采样，且双线性插值易于通过固定卷积核的转置卷积（transposed convolution）实现，转置卷积即为反卷积（deconvolution）。在论文中，作者并没有固定卷积核，而是让卷积核变成可学习的参数。转置卷积操作过程如下：

2.3 跳级结构

如果仅对最后一层的特征图进行上采样得到原图大小的分割，最终的分割效果往往并不理想。因为最后一层的特征图太小，这意味着过多细节的丢失。因此，通过跳级结构将最后一层的预测（富有全局信息）和更浅层（富有局部信息）的预测结合起来，在遵守全局预测的同时进行局部预测。

将底层（stride 32）的预测（FCN-32s）进行2倍的上采样得到原尺寸的图像，并与从pool4层（stride 16）进行的预测融合起来（相加），这一部分的网络被称为FCN-16s。随后将这一部分的预测再进行一次2倍的上采样并与从pool3层得到的预测融合起来，这一部分的网络被称为FCN-8s。图示如下：

3 FCN训练

  • 阶段1：以经典的分类网络为初始化，最后两级为全连接（红色），参数弃去不用。
  • 阶段2：FCN-32s 网络—从特征小图预测分割小图，之后直接升采样为大图。
  • 阶段3：FCN-16s 网络—上采样分为两次完成。在第二次升采样前，把第4个pooling层的预测结果融合进来，使用跳级结构提升精确性。
  • 阶段4：FCN-8s 网络—升采样分为三次完成。 进一步融合了第3个pooling层的预测结果。

4. 其它

4.1 FCN与CNN

CNN的强大之处在于它的多层结构能自动学习特征，可学习到多个层次的特征：

  • 较浅的卷积层感知域较小，学习到一些局部区域的特征；
  • 较深的卷积层感知域较大，学习到更加抽象一些的特征；

抽象特征对分类很有帮助，可以很好地判断出一幅图像中包含什么类别的物体。但抽象特征对物体的大小、位置和方向等敏感性低，因为丢失了一些物体的细节，不能很好地给出物体的具体轮廓、指出每个像素具体属于哪个物体，因此难以做到精确的分割。而FCN是从抽象的特征中恢复出每个像素所属的类别，即从图像级别的分类进一步延伸到像素级别的分类。

4.2 FCN的不足

  • 得到的结果还不够精细，对细节不够敏感；
  • 未考虑像素与像素之间的关系，缺乏空间一致性等。

4.3 答疑

  1. 为什么说如果一个神经网络里面只有卷积层，那么输入的图像大小是可以任意的。但是如果神经网络里不仅仅只有卷积层，还有全连接层，那么输入的图像的大小必须是固定的？
  • 卷积层的参数和输入大小无关，它仅仅是一个卷积核在图像上滑动，不管输入图像多大都没关系。图像进行卷积时，因为每一个卷积核中的权值都是共享的，因此无论输入图像的尺寸多大，都可以按步长滑动做卷积，不同之处在于经过卷积运算，不同大小的输入图片所提取出的卷积特征的大小是不同的。
  • 全连接层的参数与输入图像大小有关，因为它要把输入图像的所有像素点连接起来。在含有全连接层的神经网络中，假设输入的图像大小一样，那经过卷积得到特征的尺寸也都是相同的。如输入特征尺寸为 a × b a×b a×b，之后连接一个 1 × c 1×c 1×c 的全连接层，那么卷积层的输出与全连接层间的权值矩阵大小为 ( a × b ) × c (a×b)×c (a×b)×c。但如果输入与原图像大小不同，得到新的卷积输出为 a ′ × b ′ a’×b’ a′×b′。与之对应，卷积层的输出与全连接层间的权值矩阵大小应为 ( a ′ × b ′ ) × c (a’×b’)×c (a′×b′)×c。很明显，权值矩阵大小发生了变化，故而也就无法使用和训练了。

【参考】

  1. 图像分割：全卷积神经网络（FCN）详解;
  2. 语义分割–全卷积网络FCN详解;
  3. FCN理解：为什么FCN可以使输入的图像大小可以是任意的;

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， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/189458.html原文链接：https://javaforall.cn

深度学习 机器学习 人工智能 神经网络

0 人点赞