主要内容

fcnLayers

为语义分割创建完全卷积的网络层

折叠所有页面

语法

lgraph = fcnLayers(imageSize,numClasses)
lgraph = fcnLayers(imageSize,numClasses，'Type'， Type)

描述

例子

lgraph= fcnLayers (图象尺寸，numClasses）返回一个全卷积网络(FCN)，配置为FCN 8s，用于语义分割。FCN使用VGG-16网络中的层和权值进行预初始化。

fcnLayers包括一个pixelClassificationLayer预测输入图像中每个像素的分类标签。像素分类层只支持RGB图像。金宝app

此功能需要深度学习工具箱™VGG-16网络模型金宝app支持包。如果没有安装此支金宝app持包，则vgg16(深度学习工具箱)函数提供下载链接。

lgraph= fcnLayers (图象尺寸，numClasses“类型”,类型）返回配置为指定类型的FCN类型．

例子

全部折叠

定义图像大小和类的数量，然后创建网络。

imageSize = [480 640];numClasses = 5;lgraph = fcnLayers(imageSize,numClasses)

显示网络。

情节(lgraph)

创建FCN 16s。

imageSize = [480 640];numClasses = 5;lgraph = fcnLayers(imageSize,numClasses，“类型”，“16 s”）

显示网络。

情节(lgraph)

输入参数

全部折叠

网络输入图像大小，指定为2元素向量，格式为[高度，宽度］．最小图像大小为[224 224]，因为FCN基于VGG-16网络。

语义分割中的类数，指定为大于1的整数。

FCN模型类型，指定为以下之一:

FCN模型 描述
32个年代的

对最终的特征图进行32倍的上样。该选项提供了计算成本较低的粗分割。
“16 s”

在融合来自第四个池化层的特征图后，对最终的特征图进行16倍的上采样。这些来自早期层的附加信息以额外计算的代价提供了中等颗粒分割。
8年代”

在融合第三和第四个最大池化层的特征图后，对最终的特征图进行8倍的上采样。这些来自早期层的附加信息以额外的计算为代价提供了更细的颗粒分割。

输出参数

全部折叠

表示FCN网络架构的层，返回为layerGraph(深度学习工具箱)对象。

所有转置卷积层都使用双线性插值权值初始化。所有转置卷积层的偏置项都固定为零。

提示

  • 由fcnLayers金宝app支持GPU代码生成深度学习一旦他们训练trainNetwork(深度学习工具箱)．看到深度学习代码生成(深度学习工具箱)有关详细信息和示例。

参考文献

[1]朗，J.， E.谢尔哈默，T.达雷尔。“用于语义分割的全卷积网络”IEEE计算机视觉与模式识别会议论文集， 2015, pp. 3431-3440。

版本历史

在R2017b中引入

另请参阅

对象

功能

主题