ピクセルごとの画像分類 (CNN)
解決済
回答 1
投稿
- 評価
- クリップ 0
- VIEW 1,066
私は現在、大学で Convolutional Neuron Network について勉強しています。本回はピクセルごとの画像分類 FCN に関して質問があり投稿させていただきました。FCN は全結合層をなくし、任意の画像サイズのものの予測を行うものと文献でみました。しかし、なぜ FCN を用いることで以下のページのようにピクセル単位の画像分類が可能になるのかが分かりません。
https://www.cs.gunma-u.ac.jp/~nagai/wiki/index.php?FCN(Fully%20Convolutional%20Network)%A4%CE%B3%D0%A4%A8%BD%F1%A4%AD
もし、分かる方がいらっしゃいましたらご教授いただけると幸いです。
よろしくお願いします
-
気になる質問をクリップする
クリップした質問は、後からいつでもマイページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
クリップを取り消します
-
良い質問の評価を上げる
以下のような質問は評価を上げましょう
- 質問内容が明確
- 自分も答えを知りたい
- 質問者以外のユーザにも役立つ
評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。
質問の評価を上げたことを取り消します
-
評価を下げられる数の上限に達しました
評価を下げることができません
- 1日5回まで評価を下げられます
- 1日に1ユーザに対して2回まで評価を下げられます
質問の評価を下げる
teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。
- プログラミングに関係のない質問
- やってほしいことだけを記載した丸投げの質問
- 問題・課題が含まれていない質問
- 意図的に内容が抹消された質問
- 広告と受け取られるような投稿
評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。
質問の評価を下げたことを取り消します
この機能は開放されていません
評価を下げる条件を満たしてません
質問の評価を下げる機能の利用条件
この機能を利用するためには、以下の事項を行う必要があります。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
check解決した方法
0
ピクセル単位の予測ができるのは、convolution および pooling した特徴マップを bilinear 補間で戻しているからだとわかりました。回答いただいた方々本当にありがとうございました。
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
質問への追記・修正、ベストアンサー選択の依頼
ikedas
2017/01/10 00:07
「なぜ FCN を用いることで以下のページのようにピクセル単位の画像分類が可能になるのか」を勉強するために大学へ行っているのではないのですか。こんなところで質問する暇があるのなら、原論文をしっかり読んで、わからないことは教員の方に質問すればいい。何のために高い授業料を払っているのでしょうか。
NEWBIEEBIEE
2017/01/28 11:40
こんな記事を見つけました。http://www.mathgram.xyz/entry/keras/fcn 教師あり学習でピクセルごとに分類できる学習データを用意し、FCNで学習させて、画像分類するとそれがピクセル単位なんだと思います。（素人の意見）
NEWBIEEBIEE
2017/01/28 11:46
http://postd.cc/image-scaling-using-deep-convolutional-neural-networks-part1/ ここにニューラルネットワークのピクセル単位の画像の演算についての記述がございます。
seturi38
2017/01/28 22:08
回答いただいた方々、ご意見や理解の方針を示していただきありがとうございました。ピクセル単位の予測ができるのは、convolution および pooling した特徴マップを bilinear 補間で戻しているからだとわかりました。