python实现语义分割_语义分割算法之FCN论文阅读及源码实现

论文原文

创新点

提出了一种端到端的做语义分割的方法,

wAAACwAAAAAAQABAEACAkQBADs=

在这里插入图片描述

如图,直接拿分割的ground truth作为监督信息,训练一个端到端的网络,让网络做p像素级别的预测。

如何设计网络结构

如何做像素级别的预测

wAAACwAAAAAAQABAEACAkQBADs=

在这里插入图片描述

在VGG16中的第一个全连接层的维度是25088×4096的,将之解释为512x7x7x4096的卷积核,这样最后就会得到一个featuremap。这样做的好处在于可以实现迁移学习的fine-tune。最后我们对得到的feature map进行bilinear上采样,就是反卷积层。就可以得到和原图一样大小的语义分割后的图了。

如何保证精度

我们在做upsampling时,步长是32,输入为3x500x500的时候,输出是544×544,边缘很不好。所以我们采用skip layer的方法,在浅层处减小upsampling的步长,得到的fine layer 和 高层得到的coarse layer做融合,然后再upsampling得到输出。这种做法兼顾local和global信息,即文中说的combining what and where,取得了不错的效果提升。FCN-32s为59.4,FCN-16s提升到了62.4,FCN-8s提升到62.7。可以看出效果还是很明显的。

wAAACwAAAAAAQABAEACAkQBADs=

在这里插入图片描述

论文结果

wAAACwAAAAAAQABAEACAkQBADs=

在这里插入图片描述

wAAACwAAAAAAQABAEACAkQBADs=

在这里插入图片描述

代码实现

FCN8#coding=utf-8

from keras.models import *

from keras.layers import *

import os

def crop(o1, o2, i):

o_shape2 = Model(i, o2).output_shape

outputHeight2 = o_shape2[1]

outputWidth2 = o_shape2[2]

o_shape1 = Model(i, o1).output_shape

outputHeight1 = o_shape1[1]

outputWidth1 = o_shape1[2]

cx = abs(outputWidth1 - outputWidth2)

cy = abs(outputHeight2 - outputHeight1)

if outputWidth1 > outputWidth2:

o1 = Cropping2D(cropping=((0,0), (0, cx)))(o1)

else:

o2 = Cropping2D( cropping=((0,0) , ( 0 , cx )))(o2)

if outputHeight1 > outputHeight2 :

o1 = Cropping2D( cropping=((0,cy) , ( 0 , 0 )))(o1)

else:

o2 = Cropping2D( cropping=((0, cy ) , ( 0 , 0 )))(o2)

return o1, o2

def FCN8(nClasses, input_height=416, input_width=608, vgg_level=3):

img_input = Input(shape=(input_height, input_width, 3))

x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)

x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)

f1 = x

# Block 2

x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)

x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)

f2 = x

# Block 3

x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)

x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)

x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)

f3 = x

# Block 4

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)

f4 = x

# Block 5

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block5_pool')(x)

f5 = x

x = Flatten(name='flatten')(x)

x = Dense(4096, activation='relu', name='fc1')(x)

x = Dense(4096, activation='relu', name='fc2')(x)

#x = Dense(1000, activation='softmax', name='predictions')(x)

#vgg = Model(img_input, x)

#vgg.load_weights(VGG_Weights_path)

o = f5

o = (Conv2D(4096, (7, 7), activation='relu', padding='same'))(o)

o = Dropout(0.5)(o)

o = (Conv2D(4096, (1, 1), activation='relu', padding='same'))(o)

o = Dropout(0.5)(o)

o = (Conv2D(nClasses, (1, 1), kernel_initializer='he_normal'))(o)

o = Conv2DTranspose(nClasses, kernel_size=(4, 4), strides=(2, 2), use_bias=False)(o)

o2 = f4

o2 = (Conv2D(nClasses, (1, 1), kernel_initializer='he_normal'))(o2)

o, o2 = crop(o, o2, img_input)

o = Add()([o, o2])

o = Conv2DTranspose(nClasses, kernel_size=(4, 4), strides=(2, 2), use_bias=False)(o)

o2 = f3

o2 = (Conv2D(nClasses, (1, 1), kernel_initializer='he_normal'))(o2)

o2, o = crop(o2, o, img_input)

o = Add()([o2, o])

o = Conv2DTranspose(nClasses , kernel_size=(16,16), strides=(8,8), use_bias=False)(o)

o_shape = Model(img_input, o).output_shape

outputHeight = o_shape[1]

outputWidth = o_shape[2]

o = (Reshape((-1, outputHeight*outputWidth)))(o)

o = (Permute((2, 1)))(o)

o = (Activation('softmax'))(o)

model = Model(img_input, o)

model.outputWidth = outputWidth

model.outputHeight = outputHeight

return model

FCN32#coding=utf-8

from keras.models import *

from keras.layers import *

import os

def FCN32(n_classes, input_height=416, input_width=608, vgg_level=3):

img_input = Input(shape=(3, input_height, input_width))

x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)

x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)

f1 = x

# Block 2

x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)

x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)

f2 = x

# Block 3

x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)

x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)

x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)

f3 = x

# Block 4

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)

f4 = x

# Block 5

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)

x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x)

x = MaxPooling2D((2, 2), strides=(2, 2), name='block5_pool')(x)

f5 = x

x = Flatten(name='flatten')(x)

x = Dense(4096, activation='relu', name='fc1')(x)

x = Dense(4096, activation='relu', name='fc2')(x)

x = Dense(1000, activation='softmax', name='predictions')(x)

#vgg = Model(img_input, x)

#vgg.load_weights(VGG_Weights_path)

o = f5

o = (Conv2D(4096, (7, 7), activation='relu', padding='same'))(o)

o = Dropout(0.5)(o)

o = (Conv2D(4096, (1, 1), activation='relu', padding='same'))(o)

o = Dropout(0.5)(o)

o = (Conv2D(n_classes, (1, 1), kernel_initializer='he_normal'))(o)

o = Conv2DTranspose(n_classes, kernel_size=(64, 64), strides=(32, 32), use_bias=False)(o)

o_shape = Model(img_input, o).output_shape

outputHeight = o_shape[1]

outputWidth = o_shape[2]

o = (Reshape((-1, outputHeight*outputWidth)))(o)

o = (Permute((2, 1)))(o)

o = (Activation('softmax'))(o)

model = Model(img_input, o )

model.outputWidth = outputWidth

model.outputHeight = outputHeight

return model

欢迎关注我的微信公众号GiantPadaCV,期待和你一起交流机器学习,深度学习,图像算法,优化技术,比赛及日常生活等。

wAAACwAAAAAAQABAEACAkQBADs=

图片.png

https://www.jianshu.com/p/70c4354a1035

Python量化投资网携手4326手游为资深游戏玩家推荐:《《梦幻西游》:42届武神坛之战消极比赛处理决定》

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/555919.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

记住:永远不要在MySQL中使用“utf8”,请使用“utf8mb4” 程序员

记住:永远不要在MySQL中使用“utf8”,请使用“utf8mb4” 最近我遇到了一个bug,我试着通过Rails在以“utf8”编码的MariaDB中保存一个UTF-8字符串,然后出现了一个离奇的错误: 我用的是UTF-8编码的客户端,服…

mysql——decimal类型与decimal长度

分为三种: float:浮点型,含字节数为4,32bit,数值范围为-3.4E38~3.4E38(7个有效位)double:双精度实型,含字节数为8,64bit,数值范围-1.7E308~1.7E3…

右上角的引用文献格式_论文要引用的小符号右上角怎么打?

上标是【现在】论【文的】书写【都会】【用到】引用【的小】符号,上标【一般】用【来对】所标的【文字】【或者】段落【进行】进【一步】【的解】释,【所以】常【用来】【解释】含义,【或者】出处,【而其】【解释】【一般】在书【…

java.util.function.Function的用法

JDK 1.8 API包含了很多内建的函数式接口,在老Java中常用到的比如Comparator或者Runnable接口,这些接口都增加了FunctionalInterface注解以便能用在lambda上。现如今,我们则从Function常用函数入口,真正了解一下。 nametypedescri…

mysql服务器程序_MySQL服务器

1、安装通常系统在成功安装之后就已经自带MySQL服务器以及客户端了。查询MySQL及其相关文件是否安装:rpm -qa | grep perlrpm -qa | grep mysql如果没有安装,则可以使用yum进行安装:yum -y install perl-DBIyum -y install perl-DBD-MySQLyum…

Java中List的contains方法,你用对了吗?

Java语言中的List是我们处理集合时经常会用到的。而List定义了一个contains方法,用以判断一个集合中是否包含指定的一个对象。 大家应该有用到过吧,可是你真的会用,用对了吗? 看看下面的代码。 上图代码中,创建了两个…

mysql sql in or 替换_sql IN 的用法一例--替换 mysql longtext字段中某些内容的用法

之前给改版的一个学校里的站点突然提出要求,说需要将之前编辑的文章的字体大小全部改成默认值。字体的控制无非有两种,一是font-size 16 px;然后是。但是,之前发布的文章,文字的控制是由编辑器生成的,而根…

List的contains方法使用

List的contains方法用于判断对象是否存在于列表中。 举例说明: 这里简单的创建一个User类: public class User {private String id;private String name;private String phone;private String address;//忽略getters和setters }在main方法中创建3个User…

mysql初体验学习笔记_【MySQL】mycli初体验

早就听说mycli很好用,今天打算在本地测试机上装一下体验一把。安装方法很是简单:一、安装依赖:yum install python-pip python-devel二、安装myclipip install mycli这样就安装完了。三、使用方法[rootlocalhost .pip]# mycli --helpUsage: m…

ArrayList类contains方法实现原理

以ArrayList集合示例 思考&#xff1a;contains方法如何执行&#xff1f; public static void main(String [] args){List<String> listnew ArrayList<String>(); list.add("张三"); System.out.println(list.contains("张三"); }分析contai…

mysql索引结构优缺点_mysql索引优缺点及注意事项

优点有了索引.对于记录数量很多的表,可以提高查询速度.缺点索引是占用空间的.索引会影响update insert delete速度ALERT!!!1 索引要创建在where和join用到的字段上.2 以下操作符号可以应用索引&#xff1a;&#xff0c;>&#xff0c;BETWEEN&#xff0c;IN&#xff0c…

Mybatis源码分析之(五)mapper如何将数据库数据转换成java对象的

本篇对mybatis从取到数据库数据开始到映射成对象并返回的过程进行了详细的分析。 转换ResultSet成java对象 下面的代码是PreparedStatementHandler中的 Overridepublic <E> Cursor<E> queryCursor(Statement statement) throws SQLException {PreparedStatement …

Java Stream Collectors.groupingBy()实现分组(单字段分组,多字段分组)

1 User实体类 public class User {private Long userId;/*** 用户名(登录)*/private String username;/*** 年龄*/private int age;/*** 性别*/private int sex;/*** 密码*/private String password; }2 单字段分组 //根据年龄分组 List<User> userList new ArrayList…

怎么在mysql查询自己建的表格_oracle数据库中怎么查询自己建的表

select * from user_tables where table_nameABC;可以查询出ABC但前提得是知道表名是ABC 可以根据表建时间不同&#xff0c;来将你本人建的表和数据库自动建的表分开&#xff0c;虽然他们都是同一个用户建的。 在user_table表里没有建表时间这一字段&#xff0c;可以用user_obj…

设计模式总结篇(为什么要学习设计模式,学习设计模式的好处)

在学习完设计模式后&#xff0c;LZ想告诉大家&#xff1a; ​ 对于一名工作不久的程序员来说&#xff0c;学习设计模式是非常有必要的&#xff0c;设计模式可以让你知道在某些场景下如何来设计出适合场景的架子&#xff0c;对&#xff0c;因为经验不丰富&#xff0c;大部分程序…

Mybatis源码分析开篇

Mybatis的由来 iBatis 本是apache的一个开源项目iBatis, 2010年这个项目由apache software foundation 迁移到了google code&#xff0c;并且改名为MyBatis 。2013年11月迁移到Github。 iBATIS一词来源于“internet”和“abatis”的组合&#xff0c;是一个基于Java的持久层框架…

java数据库配置_java--数据库(文件配置连接,自定义连接池)

import java.util.ResourceBundle;public class Mtest7Demo {//使用properties配置文件完成数据库的连接/** 开发中获得连接的4个参数(驱动,URL,用户名,密码)通常都存在配置文件中&#xff0c;方便后期维护&#xff0c;* 程序如果需要更换数据库&#xff0c;只需要修改配置文件…

Mybatis源码分析之(一)搭建一个mybatis框架(写一个mybatis的Demo)

数据库工作&#xff1a; 首先准备工作&#xff0c;安装mysql&#xff0c;并且新建一张t_demo表 CREATE TABLE t_demo (name varchar(255) COLLATE utf8_unicode_ci DEFAULT NULL,id int(11) NOT NULL AUTO_INCREMENT,PRIMARY KEY (id) ) ENGINEInnoDB AUTO_INCREMENT4 DEFAUL…

后端开发 java_Java后端开发三年,你不得不了解的JVM

JAVA程序员&#xff0c;三年是个坎&#xff0c;如果过了三年你还没有去研究JVM的话&#xff0c;那么你这个程序员只能是板砖的工具了。下面来个JVM的解析可好&#xff1f;JVM是Java Virtual Machine(Java虚拟机)的缩写&#xff0c;也就是指的JVM虚拟机&#xff0c;属于是一种虚…

Mybatis源码分析之(二)根据配置文件创建SqlSessionFactory(Configuration的创建过程)

SqlSessionFactoryBuilder.build创建SqlSessionFactory&#xff08;粗略走一步流程&#xff09; 看完上篇文章后&#xff0c;你对mybatis应该有个大概的了解了&#xff0c;那么我们知道new SqlSessionFactoryBuilder().build是框架的入口&#xff0c;我们到SqlSessionFactoryB…