DeepLab系列演算法
- 影像分割傳統做法
- 解決方案
- 引數計算
- 影像金字塔
- SPP-Layer
- 常用的多尺度提取方法
- ASPP(atrous convolution SPP)
- deepLabv3+
影像分割傳統做法
為了增大感受野,通常會采用pooling操作,該下采樣操作會丟失一部分資訊,
解決方案
- 空洞卷積(dilated convolution)

通過設定dilated引數可以得到不同感受野的特征(33,77,15*15),擴大感受野, - 影像分割領域,需要較大感受野
- 沒有額外計算
- 可以按照引數擴大任意倍數,不引入額外引數,


引數計算

影像金字塔
SPP-Layer
- 網路要求輸入固定
- 采用不同的池化層,特征拼接

常用的多尺度提取方法

ASPP(atrous convolution SPP)
其實就是跟SPP差不多,只不過引入了不同倍率的空洞卷積

deepLabv3+

編解碼+ ASPP
轉載請註明出處,本文鏈接:https://www.uj5u.com/qita/392282.html
標籤:其他
上一篇:opencv柱面投影,C語言實作
