使用扩张卷积进行语义分割的上采样

作者: 句号了
发布时间: 2024-12-28 02:54:50 (1月前)
转自：

2 条回复

0#
回复此人
v-star*위위 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 在卷积步骤之后，反卷积确实是回到原始输入大小的常用方法：这是语义分割神经网络的基本架构：完全卷积网络（FCN）。 </p> <P> 如果您需要有关如何使用它的示例，请查看此处 <a href="https://github.com/shelhamer/fcn.berkeleyvision.org" rel="nofollow noreferrer"> 知识库 </A> ：它包含许多Caffe中FCN的例子，他们使用 <code> Deconvolution </code> Caffe层。另外，你可以阅读相关内容 <a href="https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf" rel="nofollow noreferrer"> 纸 </A> 有关反卷积的更深入解释。 </p> <P> 注意 <code> Deconvolution </code> 并不总是双线性插值。它通常通过插值初始化，但随后在训练期间（向后传播）学习。 </p> </DIV>

编辑

登录后才能参与评论