我正在閱讀論文「用於語義分段的完全卷積網絡,由Jonathan Long *,Evan Shelhamer *和Trevor Darrell。CVPR 2015和PAMI 2016」 我想了解爲什麼它可以用於語義分割。讓我們來看看fcn-32s架構,它包括兩個階段:特徵提取(conv1-1-> pool5)和特徵分類(fc6-> score_fr)。與正常分類網絡比較,主要的不同在於第二階段。 FCN-32s通過fc7中的完全卷積層(1×1)替換完全連接的層,以保留空間映射(作爲文章圖2中的標題)。因此,我被搞糊塗了一些關於這一點:完全卷積圖層可以用於分割任務嗎?
- 如果我們完全卷積層代替完全連接層, 怎麼能學會的重量傳統的分類 架構?
- 爲什麼我們可以通過使用完全卷積層來保留空間圖(熱圖)?
在此先感謝您。
您能否提供更多信息/背景信息,讓讀者不必親自操作Google?在我看來,只有那些曾經閱讀過論文的人仍然會回憶這個問題。 – javaLover
感謝javaLover。我更新了它 – user8264
歡迎。我有時想問這樣的事情。關於這個話題,這篇文章看起來像是一大段(不太吸引人)。你可以發表文章鏈接嗎?它還引用了諸如「FCN-32s」,「pool5」和「卷積層」之類的行話(?)。我不知道他們哪一個是這方面的常用詞。如果有些不是,提供他們的意思可能是一個好主意。 :) – javaLover