哪种拓扑适合分割？答案

【问题标题】：Which topology is correct for segmentation?哪种拓扑适合分割？
【发布时间】：2017-04-23 09:45:44
【问题描述】：

我的图像大小为WxHx3，需要分割成 21 个类。使用 CNN 通过一些层后，我得到了W/4 x H/4 x 512 特征图。最后，我们将使用Convolutional 和Deconvolutional 层将其与softmax 层中的标签进行比较。我有 2 个拓扑：

  Softmax_loss                                  Softmax_loss
       ^                                             ^
       |                                             |
  deconv_layer                                   conv_layer
       ^                                             ^
       |                                             |
    conv_layer                                  deconv_layer
       ^                                             ^
       |                                             |
Intermediate_layers                         Intermediate_layers
       ^                                             ^
       |                                             |
     Input                                         Input

      (1)                                           (2)

哪种拓扑更好？我见过他们两个。在FCN 中排名第一（用于语义分割的全卷积网络），在VoxResNet、UNet 中排名第二。

【问题讨论】：

标签： machine-learning neural-network deep-learning

【解决方案1】：

深度学习没有正确的方法。你通常会尝试一些最适合你的东西。如果您关注fcn 模型，它的开头类似于conv->deconv->conv->deconv。语义分割中被引用最多的论文是conv->deconv。所以我也建议排名第一。同样直观地，先做deconv 并没有多大意义。

【讨论】：

是的。 FCN 使用conv(1x1,classifier)->deconv。但是，有些论文也使用deconv->conv(1x1)，如 Unet、VoxResNet 论文。所以我认为他们这样做是有原因的
@KimHee 你确定 Unet、VoxResNet 先做deconv 吗？我看到了他们的 prototxt 文件，他们首先做了conv。如果您在谈论最后做什么，那么我认为最重要的是什么最有效。
而 Unet 是 conv_u0d-sc 是 lass prototxt 的分类器。 lmb.informatik.uni-freiburg.de/resources/opensource/… 。我的意思是之前的softmax层过程
@KimHee 我的意思是conv 首先是第一层。正如我在loss 之前已经说过的那样，最适合您的事情很重要。