用于语义分割的全卷积神经网络

Question

我可能有一个天真的问题，如果这不是问这类问题的合适渠道，我深表歉意。我已经成功地实现了用于语义分割的FCNN，但我不涉及反卷积或解合层。

我所要做的就是将真实图像的大小调整到我最终的FCNN层的大小，然后我计算我的损失。这样，我得到了一个较小的图像作为输出，但正确分割。

是否需要反卷积或解合池的过程？

我的意思是，在python中调整图像的大小是相当容易的，那么为什么要使用复杂的技术来做同样的事情呢？当然，我错过了一些东西。

使用unpooling和deconv放大图像的优势是什么？

Answer 1

卷积步骤后网络的输出比原始图像小:你可能不想这样，你想对作为输入的图像进行语义分割。

如果您只是简单地将其调整为原始大小，则会插入新的像素，因此会缺乏精度。反卷积层允许学习这种调整大小(因为它们是在训练过程中通过反向传播学习的)，因此可以提高分割精度。