1樓：Lighthouse
這是最早期的利用卷積網路作分割的思路，是可以的，但是實時性比較差。FCN是早期將卷積神經網路作分割的經典方法，隨後，各種各樣的分割網路都被提出，主要分為以下三種型別：
1 FCN-與淺層特徵相交加互
FCN有三個輸出分枝，FCN-32s是將特徵圖直接縮放至原圖大小；FCN-16s首先將FCN-32s特徵圖放大2倍，與上一層特徵相加後，再縮放至原圖大小；FCN-8s，是將FCN-16s特徵圖再放大2倍，與再上一層特徵相加後，再縮放至原圖大小。FCN後的數字代表縮放比例。FCN利用底層特徵提公升解析度，可應用於畫素級分割任務。
2 Encoder-Decoder-與淺層特徵無互動
在Encoder中，解析度不斷減少，channel數不斷增加，Decoder正好相反，最後輸出與原圖解析度相同影象分割結果。上圖是基本的編碼-解碼網路結構，編碼器與解碼器之間無資訊互動。
3 U-net-與淺層特徵相並互動
U-net其實也是一種Encoder-Decoder結構，但是Decoder中整合了Encoder的特徵，以減少卷積過程中的資訊損失。
利用卷積做分割的網路很多，但都或多或少利用了以上的網路架構
2樓：yulu
我也是好不容易搞懂了點，說是以圖塊中間的那個畫素點為目標，圖塊size自己定義，對應該畫素點的groundtruth是0還是1，也就是輸入乙個圖塊，輸出的判定是其中間畫素點是0還是1
3樓：WILL
樓主，你好，最近也是剛開始才學習DL，用它來做圖割，碰到了和你類似的問題。如果只是分割邊緣的話（分割出輪廓，其餘部分是黑的），好像分兩類就可以了。但是其他情況呢，比如語義分割，不知樓主有沒有新的見解，希望可以多多交流，萬分感謝！
4樓：Young Well
8*8的小塊往往不能貼合邊緣，可以考慮使用superpixel，推薦SLIC。。。其實你的這個想法，很類似於視覺顯著性的概念，可以去參考一下近幾年的saliency detection的文章，應該可以很大程度上解決你的問題。。。
嗯，推薦一篇文章Saliency Detection via Graph-Based Manifold Ranking
5樓：
卷積神經網路影象處理卷積時，為啥要旋轉180 ？
Feynman 問題中不太準確，糾正如下 卷積神經網路影象處理卷積時，沒有旋轉180度。數學上的卷積，比如訊號處理 傳統影象處理，處理卷積時，才旋轉180度。這個問題在https www.zhihu.com question 52237725 answer 545340892有非常詳細的解釋，我這裡...
用卷積神經神經網路做遙感影象分類，需要對影象做哪些預處理？
檸檬陳 對地物資訊分類。那我感覺你這個問題有點像影象語義分割啊。emmm.真按分割做的話好像難度係數太大。我之前有做過簡單的遙感影象語義分割。但是題主你的描述，感覺問題更複雜些。好吧回到你的問題 先做個預處理，去噪，把img的直方圖畫出來，看看雜訊，看看pixel value分布啥的。有條件的話，做...
Unet神經網路為什麼會在醫學影象分割表現好？
jacob benseal 對醫學影象不太懂，但跨層鏈結會對小感受野有更好的特徵提取效果吧。對ocr分割效果也不錯，ocr中的實體都比較小，可能醫學影象也這樣吧 日本寶刀 U net這東西我用過兩次，一次是用fcn做saliency detection，他的特別之處在於結合低層特徵和高層特徵，讓網路...