# 人工智能第十周作业

**Repository Path**: HundredReview/AIWeek10

## Basic Information

- **Project Name**: 人工智能第十周作业
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2018-12-25
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## FCN的学习及理解

如下图所示：对原图进行卷积conv1、pool1后图像缩小为1/2；对图像进行第二次卷积conv2、pool2后图像缩小为1/4；对图像进行第三次卷积conv3、pool3后图像缩小为1/8，此时保留pool3的featuremap；对图像进行第四次卷积conv4、pool4后图像缩小为1/16，此时保留pool4的featuremap；对图像进行第五次卷积conv5、pool5后图像缩小为1/32，然后把原来CNN操作过程中的全连接编程卷积操作的conv6、conv7，图像的featuremap的大小依然为原图的1/32,此时图像不再叫featuremap而是叫heatmap。

![Alt text](addall.png)


1.以经典的分类网络为初始化。

![Alt text](fcno.png)

2.从特征小图（16*16*4096）预测分割小图（16*16*21），之后升采样为大图。 反卷积步长为32，这个网络称为FCN-32s。

![Alt text](fcn32.png)

3.把第4个pooling层的预测结果融合进来。第二次反卷积步长为16，这个网络称为FCN-16s。

![Alt text](fcn16.png)

3.把第3个pooling层的预测结果融合进来。第二次反卷积步长为8，这个网络称为FCN-8s。 

![Alt text](fcn8.png) 

较浅层的预测结果包含了更多细节信息。比较2,3,4阶段可以看出，跳级结构利用浅层信息辅助逐步升采样，有更精细的结果。

![Alt text](result.png) 

tinymind:
![Alt text](tm1.png) 
![Alt text](tm2.png) 

从训练结果来看，需要比较多的训练次数才能得出比较好的效果，花的时间比较长。

参考：https://blog.csdn.net/qq_36269513/article/details/80420363