FCN의 한계점
Decoder 개선.
DeconvNet
- Decoder와 Encoder를 대칭으로 만든 형태
- 하나의 conv는 conv-BN-ReLU를 포함. Deconv는 unpooling-deconvolution-ReLU로 이루어짐.
- pooling은 노이즈를 제거하는 장점이 있지만, 정보가 손실되는 문제가 존재함.Unpooling은 지워진 경계의 정보를 복원하여 디테일을 표현. 하지만 sparse한 activation map을 가지기 때문에 Transposed convolution을 해야함.
- Deconvolution(Transposed convolution): input object의 모양을 복원. 얕은층의 경우 전반적인 특징을, 깊은 층의 결루 복잡한 패턴을 잡아냄.
SegNet
: segmentation의 realtime이 중요함을 적용
- FC layer를 제거하여 파라미터 수를 줄여 학습시 속도를 향상.
Skip connection을 적용한 모델
Receptive Field를 확장시킨 models