《表1 调整卷积核大小和多孔采样率r后的视野和效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度卷积神经网络的图像语义分割》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文首先介绍了深度卷积网络应用于图像语义分割上主要存在三个问题:（1）传统模型里重复的池化和下采样操作使特征图像的分辨率不断的减少；（2）如何多尺度提取特征图像；（3）分类任务要求系统模型的内置不变性与图像语义分割任务的冲突。针对这三个问题，本文提出了三种解决方法:（1）带有孔结构的膨胀卷积，该方法可以提高特征图像的空间分辨率；（2）多孔空间金字塔池化，用于解决图像的多尺度表达问题；（3）使用全连接条件随机场进行边界分割的优化，可以缓解定位精度较低的问题，这点被显著地体现在表1当中，在卷积核尺寸为7×7，r=4的模型当中，使用全接连接条件随机场前的IOU性能比使用后的性能低了2.89%。同样的，在卷积核尺寸为4×4，r=4和r=8的模型中分别低了6.04%和4.05%；在卷积核尺寸为3×3，r=12的模型中低了5.95%。从使用和不使用全连接条件随机场的数据上来看，使用全连接条件随机场可是系统的性能有明显的提高。