文章目录

• Refinenet的实现细节!

Refinenet的实现细节!

1. 主干网络: resnet101

kernel size = 1的卷积核调整通道大小,减少参数量和计算量

kernel size = 3调整尺寸大小

refinenet取用了conv2_x(尺寸为原来 1 4 \frac{1}{4} 41​​​​), conv3_x(尺寸为原来 1 8 \frac{1}{8} 81​​​​), conv4_x(尺寸为原来 1 16 \frac{1}{16} 161​​​​), conv5_x(尺寸为原来 1 32 \frac{1}{32} 321​​​​)

2. up_sampling采用的是双线性插值法

3. 损失函数是BCE + MSE, BCE是针对分类,MSE是每个像素点的值

4. 分类问题	输出层激活函数	损失函数
   二分类(只有0和1两个类别)	sigmoid	BCE
   多分类(只输出一个标签,且类别是互斥关系)	softmax	CCE
   多标签分类(输出多标签,类别之间可能互斥可能依赖可能包含)	sigmoid	BCE

5. RCU作用是对预训练的Resnet权重进行微调

6. MRF将所有路径的输入通过这个模块融合到高分辨率特征图上

7. CRP针对大的图像区域捕获其上下文背景信息

8. 多阶段的池化和卷积通常会使最终的图像预测降低32倍，从而丢失很多更精细的图像信息，有哪些解决方法以及这些方法弊端？(反卷积和空洞卷积效果不好)

   答:利用中间层的特征生成高分辨率的预测结果

9. 如何有效利用中间层特性

   1. 一种多路径的提炼网络，利用多级抽象特征进行高分辨率的语义分割
   2. 梯度可以通过短距离和长距离的残差连接传播，从而实现端到端训练
   3. 提出链式残差池化，能够从大的图像区域提取背景上下文

标签：frac,卷积,32,分类,尺寸,图像,refinenet
来源： https://blog.csdn.net/weixin_33423187/article/details/120534482