颜色分类leetcode FCN for Semantic Segmentation 使用Keras实现FCN 8和FCN 16...

颜色分类leetcode FCN-for-Semantic-Segmentation实现和测试FCN-16和FCN-8的性能。除此之外，CRF被用作后处理技术并比较结果。参考文献：用于语义分割的全卷积网络作者：乔纳森·朗、埃文·谢尔哈默、特雷弗·达雷尔链接：用于大规模图像识别的非常深的卷积网络作者：凯伦·西蒙尼安、安德鲁·齐瑟曼链接：具有高斯边缘势的全连接CRF的有效推理作者：菲利普·克雷恩布尔、弗拉德伦·科尔通链接：实施步骤： 1.将分类器转换为密集FCN ：用于语义分割任务的模型源自VGG。 VGG本身就是用于分类任务。因此，为了使模型适合密集预测，我们删除了VGG的最后一个全连接层，并用卷积替换它们。我们附加了一个通道维度为21的1x1卷积来预测每个粗输出位置处每个PASCAL类（包括背景）的分数，然后是一个反卷积层，将粗输出双线性上采样到像素密集输出。 2.将低层的特征转移到高层我们为分割定义了一个新的全卷积网络(FCN)，它结合了特征层次结构的层并改进了输出的空间精度。虽然完全卷积化的分类器可以微调