TY -的A2 Yanez-Marquez Cornelio AU -阴,徐AU - Li Yan AU - Shin Byeong-Seok PY - 2019 DA - 2019/08/01 TI - TGV Upsampling:包装操作的语义分割SP - 8527819六世- 2019 AB -深学习方法的广泛使用,语义分割近年来取得了很大的改进。然而,许多研究人员指出,多种用途的卷积和池操作,伟大的信息提取过程中会发生损失。为了解决这个问题,已经提出各种操作或网络架构来弥补损失的信息。我们观察到一个趋势在很多研究中设计一个网络作为对称类型,部分代表“编码”和“解码”阶段。“upsampling”操作的“解码”阶段,特征图谱构建以某种方式或多或少地弥补损失的前层。在本文中,我们关注upsampling操作做一个详细的分析,并比较当前在几个著名的神经网络方法。我们也将映像恢复知识和设计新的upsampled层(或操作)命名TGV upsampling算法。我们成功地取代upsampling层之前的研究与我们的新方法。我们发现,我们的模型可以更好地保存详细的纹理和边缘特征图,可以,平均达到1.4 - -2.3%提高精度比原模型。SN - 1687 - 5265 UR - https://doi.org/10.1155/2019/8527819 - 10.1155 / 2019/8527819摩根富林明计算智力和神经科学PB - Hindawi KW - ER