标签：采样 卷积 物体 Decoder 无标题 Encoder 图像
编码器-解码器
前言
由于图像分割由一个卷积神经网络构成从而实现的，该网络主要由两部分组成：Encoder和Decoder也就是我们这里所说的编码器-解码器。
Encoder是一个沿用VGG16的网络模型，主要对物体信息进行解析。Decoder将解析后的信息对应成最终的图像形式，即每个像素都用对应其物体信息的颜色（或者是label）来表示。
Encoder
Encoder本身其实就是一连串的卷积网络。该网络主要由卷基层，池化层和BatchNormalization层组成。卷基层负责获取图像局域特征，池化层对图像进行下采样并且将尺度不变特征传送到下一层，而BN主要对训练图像的分布归一化，加速学习。
概括地说，encoder对图像的低级局域像素值进行归类与分析，从而获得高阶语义信息（“汽车”， “马路”，“行人”），Decoder收集这些语义信息，并将同一物体对应到相应的像素点上，每个物体都用不同的颜色表示。
Decoder
既然Encoder已经获取了所有的物体信息与大致的位置信息，那么下一步就需要将这些物体对应到具体的像素点上了。这一系列工作是由Decoder完成。Decoder对缩小后的特征图像进行上采样，然后对上采样后的图像进行卷积处理，目的是完善物体的几何形状，弥补Encoder当中池化层将物体缩小造成的细节损失。
Convolution Layer in Encode and Decoder
我们可以看到在Encoder和Decoder中都存在卷积层。他们在算法上一模一样，但是在作用上有一点不同。Encoder阶段，卷基层的主要作用就是获取图像的局部信息，并传送给池化层，然后由2x2最大池化处理，把最大值特征再次传递到下一层。所以在这部分当中，Convolution+Pooling的主要作用从图像中获取信息。
与此相反，Decoder阶段的处理是将特征层进行上采样，然后交给卷积层进行处理。上采样后的2x2区域只有一个前一层传来的1x1特征点，其余区域都是空值，因此这些空值需要被填补成适当的特征值，来让这个区域变得完整并且平滑。这个工作就是由卷积层担任的。所以位于Decoder当中的卷积层的作用是对图像进行“填补”。
一句话总结，两个阶段的卷积层在计算上是完全一样的，但是表现出的结果是有差异的。有些人根据此差异，将Encoder阶段的卷积命名为“卷积”，Decoder阶段的卷积命名为“反卷积“（或”转置卷积“），但实际上进行的处理是一样的。
标签：采样,卷积,物体,Decoder,无标题,Encoder,图像 来源： https://blog.csdn.net/CharilePuth/article/details/122870423
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。