Fully Convolutional Networks for Semantic Segmentation¶
论文¶
https://arxiv.org/abs/1411.4038
摘要¶
Cite
卷积网络是产生特征层次结构的强大视觉模型。我们表明，卷积网络本身，经过端到端、像素到像素的训练，超过了语义分割的最先进水平。 我们的关键见解是构建“完全卷积”网络，该网络接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。我们定义并详细描述了完全卷积网络的空间， 解释了它们在空间密集预测任务中的应用，并将其与先前模型联系起来。我们将当代分类网络（AlexNet、VGG网络和GoogLeNet）改编为完全卷积网络， 并通过微调将其学习的表示转移到分割任务中。然后，我们定义了一种新的架构，该架构将来自深层、粗糙层的语义信息与来自浅层、精细层的外观信息相结合， 以产生准确和详细的分割。我们的全卷积网络实现了PASCAL VOC（2012年平均IU为62.2%，相对提高了20%）、NYUDv2和SIFT Flow的最先进分割， 而典型图像的推断时间不到五分之一秒
第一篇做像素级分割任务的工作
工作¶
总结¶
Cite
全卷积网络是一类丰富的模型，现代分类网络就是其中的一个特例。认识到这一点，将这些分类网络扩展到分割，并通过多分辨率层组合改进体系结构， 极大地提高了最先进水平，同时简化和加快了学习和推理