FCN UNet
缺点：
在这里我们要注意的是FCN的缺点：
ParseNet
OCRNet
segnet
SegNet的优点包括：1）改善边界轮廓；2）参数数量减少，优化了算法空间复杂度；3）能够端到端地训练；4）这种上采样形式只需稍微修改一下就能被任意encoder-decoder架构的网络采用；
PSPNet
What:PsPNet主要是通过金字塔池化提取多尺度信息。按论文的描述:更好的提取全局上下文信息，同时利用局部和全局信息,使得场景识别更加可靠。（从技术的角度来说，我觉得就是从不同的视野去寻找特征，类似放大镜放大，放大倍数大，视野小，物体清楚，但是看不清物体之间的关系；放大倍数小，视野大，物体模糊，但是可以看清楚物体之间的关系。）除此之外，文章还通过Ablation study （类似控制变量法，移除一个结构，研究这个结构的影响）研究金字塔多尺度池化，池化的方式，辅助损失函数，预训练模型的作用。
Why:PsPNet提出的原因，可以总结为一句话：获取全局环境信息，利用全局信息和局部信息获得更加可靠地结果。怎么做到的？提取多尺度信息。为什么提取多尺度信息可以获取全局环境信息？经验总结。
RefineNet
DeepLab V1
- 要解决什么问题？
-
使用CNN解决图像分割问题是，主要存在两个问题：
-
用了什么方法解决？
-
使用带孔卷积解决下采样问题。
-
使用Dense CRF解决空间不变形问题。
-
效果如何？
-
在VOC2012上获得了当时的最优性能，在测试集上达到71.6%的IOU。
-
同时，运行效率达到8 frames per second。
-
还存在什么问题？
-
基于VGG提取特征，有些落后（从现在的角度看）。
- 从目前来看，效果一般。
Original: https://blog.csdn.net/qq_28057379/article/details/122927744
Author: King的王国
Title: 模型汇总—分类、检测、分割
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/667669/
转载文章受原作者版权保护。转载请注明原作者出处！