# CSDN_AI_HOMEWORK_W9

**Repository Path**: HataFeng/CSDN_AI_HOMEWORK_W9

## Basic Information

- **Project Name**: CSDN_AI_HOMEWORK_W9
- **Description**: 第九周作业
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2018-03-30
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 第九周作业
### 124298228-冯炳驹-W9

##### 1. Tinymind 模型地址：[https://www.tinymind.com/executions/642y4nzo](https://www.tinymind.com/executions/642y4nzo)
#####         数据模型地址：[https://www.tinymind.com/HataFeng/datasets/data-csdnaiw9](https://www.tinymind.com/HataFeng/datasets/data-csdnaiw9)
##### 2. 训练结果
![输入图片说明](https://gitee.com/uploads/images/2018/0401/115231_5e92a953_1686942.png "log.png")
##### ![原图](https://gitee.com/uploads/images/2018/0401/114518_ee241ea2_1686942.png "原图.png")
##### ![标签](https://gitee.com/uploads/images/2018/0401/114546_3f499b40_1686942.png "标签.png")
##### ![预测](https://gitee.com/uploads/images/2018/0401/114602_02e2c67f_1686942.png "预测.png")
##### ![CRF预测](https://gitee.com/uploads/images/2018/0401/114618_b83aec82_1686942.png "CRF预测.png")
##### 3. 描述8Xfcn实现，需要有对关键代码的解释以及对fcn的理解
#####    8xfcn核心逻辑是根据论文（arxiv 1411.4038v2）的网络结构进行实现，网络图如下：
![输入图片说明](https://gitee.com/uploads/images/2018/0330/182329_0e84a815_1686942.png "fcn网络图.png")

##### 在VGG-16网络基础上和16xfcn代码框架基础上根据论文网络图进行
##### 核心部分实现：
      第一步：进行 ‘16s’ 预测（不过最后上采样 采用 2X）
          1） 结合 VGG-16 pool4层的预测 + VGG-16 最后一层的2X 上采样（反卷积） 预测
          2） 对 结合预测进行 2x 上采样 处理
      第二步：对 VGG-16 pool3 层进行预测（1*1卷积）
      第三步：结合第一步和第二步的预测进行一次 8X上采样处理（8s）

          其中：pool3和pool4层的预测采用 1*1 卷积实现全连接效果
          上采样: 双线性差值  stride 为 n

##### 4. 代码的解析
![输入图片说明](https://gitee.com/uploads/images/2018/0331/144206_6b9c79f8_1686942.png "代码1.png")
![输入图片说明](https://gitee.com/uploads/images/2018/0331/144222_e6381859_1686942.png "代码2.png")

##### 5. 对fcn的理解：
        1. 整个网络采用卷积处理（全卷积），理论上可以接收任意大小的输入
        2. 属于像素级别分类，为了精确到原图上的每个像素概率的预测分布，通过上采样技术（反卷积）完成。
              上采样（反卷积）技术，即通过双线性差值初始的kernel进行反向传播扩大到与原图同样大小的分割图，
              而且为了得到与原图一样，采用包含stride 的反卷积
           反卷积意义：能够反向传播，并将比较小的feature map上的概率分布扩大到与原图一样大小的预测概率分布
        3. 采用 skip layer（利用现有网络结果上扩展，不需要改变网络架构）

     缺点：结果还是不够精细，所以需要 CRF 处理
#####