基于多尺度卷积神经网络框架结合语义标签和surface normals以及深度预测
来源:互联网 发布:淘宝店铺名字大全霸气 编辑:程序博客网 时间:2024/05/18 01:35
本文提出的方法可以在没有在超像素以及低维度的分割的情况下提取图像细节,直接产生一个像素map。
模型框架
框架主要继承于论文基于多尺度深度网络的单幅图像深度估计。首先我们的模型变得更深了(有了更多的卷积层)。其次,网络添加了第三个等级,将最终的输出分辨率提高到原图的一半(原来是1/4)。最后我们对于前两个等级的输出不固定,从一开始就统一训练三个层级,一起调整参数。
一:层1 . 全局图像
这一层提取全局特征,空间变化的特性对整个图像区域。
二:层2 . 预测
在中等分辨率下进行预测,利用损失函数进行sgd优化参数。最后输出的通道数与所对应的任务有关。
三:层3. 更高的分辨率
将输出提升到更高的分辨率,加入更多的空间细节。
任务
深度预测
深度预测的损失函数和文章基于多尺度深度网络的单幅图像深度估计中的是一致的。
训练细节
利用两次SGD,首先训练前两个stage,然后固定这些参数,再训练第三个阶段。
阅读全文
0 0
- 基于多尺度卷积神经网络框架结合语义标签和surface normals以及深度预测
- 基于卷积神经网络的图像语义分割
- 应用卷积神经网络CNN预测DNA-蛋白结合位点
- 论文解析:基于深度卷积神经网络的城市遥感图像小物体语义分割及不确定性建模
- [深度学习]利用Keras深度学习框架和卷积神经网络玩FlappyBird
- 迁移学习和微调深度卷积神经网络
- 迁移学习和微调深度卷积神经网络
- 多尺度竞争卷积
- 深度学习(1) 关于图像卷积和卷积神经网络(CNN)
- 【译】DeepLab V2:基于深度卷积网、孔洞算法和全连接CRFs的语义图像分割
- 深度学习:卷积神经网络
- 深度学习-卷积神经网络
- 深度学习 卷积神经网络
- 深度学习卷积神经网络
- AlexNet深度卷积神经网络
- 基于分类使用深度神经网络的金融市场预测
- 神经网络到深度卷积神经网络
- 优化基于FPGA的深度卷积神经网络的加速器设计
- NGINX引入线程池 性能提升9倍
- [杂题] Codeforces 830C Round #424 Div1 C. Bamboo Partition
- 强化学习使用pygame模块的安装
- 51nod 1006(输出其中一个最长上升子序列)
- notepad++快捷键
- 基于多尺度卷积神经网络框架结合语义标签和surface normals以及深度预测
- PID算法研究
- python常用内建模块
- fzu2280
- Jemer安装问题总结及实例
- Python的排序函数Sort,Sorted
- HTML特殊字符编码对照表
- 百练_1664:放苹果
- IDEA 提示全无