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
2017-07-24 10:05
519 查看
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。
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。
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。
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。相关文章推荐
- 深度神经网络DNN的多GPU数据并行框架 及其在语音识别的应用
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- TensorFlow 深度学习框架 (1)-- 神经网络与前向传播
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- 深度学习(三十八)卷积神经网络入门学习(2.0)
- 资源 | AI、神经网络、机器学习、深度学习以及大数据学习备忘单
- 深度卷积网络CNN与图像语义分割
- 深度学习(二十八)基于多尺度深度网络的单幅图像深度估计-NIPS 2014
- 深度学习算法之卷积神经网络简介
- 神经网络与深度学习 使用Python实现基于梯度下降算法的神经网络和自制仿MNIST数据集的手写数字分类可视化程序 web版本
- 深度学习方法(十二):卷积神经网络结构变化——Spatial Transformer Networks
- 基于深度学习的图像语义分割技术概述之背景与深度网络架构
- 深度卷积网络CNN与图像语义分割
- 深度卷积神经网络学习
- 深度学习_caffe (4) 基于mnist实例搭建新的神经网络&在caffe中添加层
- 吴恩达深度学习课程笔记之卷积神经网络基本操作详解
- TensorFlow 深度学习框架(9)-- 经典卷积网络模型 : LeNet-5 模型 & Inception-v3 模型
- python keras 神经网络框架 的使用以及实例
- 基于图像超分辨率的深度卷积网络的学习