【论文复现代码数据集见评论区】FCN语义分割的“开山之作”，小姐姐10小时中气十

语义分割和实例分割区别

1. 实例分割不关注背景，统一涂成黑色
2. 不仅不同种类用不同颜色标注，同一种类也分甲乙丙丁，而不像语义分割归为一个类别

全景分割是语义分割和实例分割的合集，不仅要看背景，还要把各种目标进行细分

应用

摘要

FCN是图片到图片，可以容纳不同尺寸的输入，得到相同尺寸的输出

摘要的写法

1. 卷积网络是一个什么东西，大背景的概述
2. 我们的核心观点是什么
3. 我们设置的网络可以达到什么样的效果、作用和功能
4. 为了实现这些功能，我们做了哪些步骤，比如有哪些创新点
5. 我们这个东西在哪些数据集上得到了好结果

端到端end-end

将尺寸较小的特征图逐渐恢复与原图尺寸相同的预测图的过程，称为上采样。

上采样的方法有：线性插值、双线性插值、三线性插值、还有从FCN开始使用的反卷积、反池化

深度学习，实际上是指，多层次的特征提取器与识别器统一训练和预测的网络。

先验知识

感受域：

不管结点多深，感受域的大小始终是指输入原图的区域大小，而不是上一层的区域大小

在分割任务当中，大感受域的效果比小感受域的好，希望得到大的感受野。通过公式，可以增加步长。但是stride增大会使得feature map特征图 保留的信息越来越少，对分割结果不利

RF1默认为1

根据公式，L2层的感受野=1+(3-1)=3

L3层的感受野=3+(3-1)=5

平移不变性

sampling上采样

反卷积：上图

input=3, kernel_size=3, padding=1,

stride=2 因为在每个像素点之间插入了一个0像素

公式：

output = (input - 1) * stride +k -2p

相当于卷积公式的反操作

下采样的过程也就是特征提取