在无人驾驶汽车眼中 道路原来是这样的
场景理解语义朋分是深度进修的法子之一，经由过程语义朋分，咱们可以对图片中的每个像素付与寄义，行将像素划分到一个预先设定的类中。从下图可以看出，咱们在语义切分的进程中将像素分为两类（别离是门路和非门路），此中咱们将辨认为门路的部门标上了色彩。
经由过程语义朋分的法子，咱们可以按照特定的需求来将场景举行切分。经由过程这一点，汽车可以辨认出当前场景下哪一块是可行驶区域，这一点对无人驾驶汽车来讲尤其首要。
将语义朋分的终极输出利用到门路辨认场景中
事情道理
语义朋分的法子之一就是利用全卷积收集（FCN），一篇来自于伯克利大学的论文很好地阐释了其道理和架构。咱们接下来的实现就会基于这篇论文来开展。
传统的卷积收集是由卷积层和几个全毗连层组合而成的。这种架构对付分类问题来讲颇有用（诸如：这是一条路吗？），可是对付必要在图片中定位门路这类问题（诸如：路在哪里？），咱们就必要一个新的收集来保护这些特别信息。这就是 FCN 发生的由来，也向人们转达了機車借款,语义朋分最先辈的功效。
若何构建FCN
要构建 FCN，有如下三个要点：
将全毗连层都更换为1x1卷积层
经由过程倒置卷积层的次序引入上采样
添加跳跃毗连
接下来让咱们具体地看看应当減肥貼,若何实现上述步调。
咱们的FCN架构包括两个部门：编码器息争码器
FCN架构
对付编码器的构建，咱们操纵已在 ImageNet 数据集上预练习的 VGG16 模子举行编码，咱们将 VGG16 模子上的全毗连层全数用卷积来替换。编码器将图片中的特性抽掏出来，而且把它利用在解码器中。
构建完编码器后，下一步就是构建解码器，解码器是经由过程转置卷积层，对编码器末层举行上采样来实现的。卷积转置本色上来讲就是反向卷积
FCN架构是由预练习模子、全毗连层更换和卷积转置组成的架构
在最后，咱们会在某些特定的层之间添加跳跃层，此中这些特定层必要可以或许容许收集利用分歧的像素巨细。跳跃层在低落信息流失的同时也包管了收集可以很好地纵观全部图片。因为传统的卷积收集常常汇聚焦于图片中的某一部门，是以添加跳跃层可以或许很好地晋升切分结果。
FCN中的跳跃毗连
检察原文
文章纠错 微信公家号搜刮" 驱动之家 "加存眷，逐日最新的手机、电脑、汽车、智能硬件信息可让你一手全把握。举荐存眷！【微信扫描下图可直接存眷】
制冷打浆机,
台湾包车自由行游览,
揭阳防水,
頁:
[1]