一种改进FCN 的深度网络框架

王睿哲 杨永琪 胡龙星

（合肥工业大学 计算机与信息系，安徽 宣城242000）

1 概述

随着科学技术的提高，图像处理在社会中越来越广泛。图像处理有很多方向，如图像识别、目标检测、语义分割等。随着深度学习的发展和现代计算机的算力不断提高，图像语义分割成为当前热门课题。

语义分割是让计算机根据图中语义进行图像的分割，其中语义是指对图像内容和含义的分析与理解。如今语义分割在医疗领域、自动驾驶、GIS、机器人等领域有着巨大作用。如在自动驾驶领域，据摩根大通的研究分析，2019 年至2025 年，中国L1到L5 级的辅助驾驶和自动驾驶市场规模将实现33%的年均增长率，并于2025 年达到约71 亿美元。

在语义分割算法中，全卷积网络(FCN)是深度学习语义分割方向的里程碑。FCN 是一种较简单轻便的神经网络，其有两个明显的优点：(1) FCN 可接受随意的图片尺寸进行训练与检测；(2)FCN 可减少CNN 网络由于大量存储和计算量的问题。然而本文发现，FCN 由于最后一层采用8 倍上采样，导致恢复原图大小过于剧烈，丢失许多图像信息，从而导致整体精确度不高。该缺陷会在其应用领域导致重大影响，尤其在自动驾驶、医疗等领域更会造成不可估量的严重后果。

FCN 在深度学习方向的语义分割具有里程碑式的意义，但因最后上采样层采样倍数过大而导致准确度不高。为了解决该问题，本文提出了一种卷积型渐进上采样FCN 图像语义分割方法，对FCN 的激活函数以及最后的上采样层进行改进。……