Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

影像切割與深度學習

深度學習應用於影像切割的一點整理 2016 春

Livres associés

Gratuit avec un essai de 30 jours de Scribd

Tout voir

Livres audio associés

Gratuit avec un essai de 30 jours de Scribd

Tout voir
  • Soyez le premier à commenter

影像切割與深度學習

  1. 1. 影像切割與深度學習 PwcHeng 2016 春
  2. 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1/26 初探影像切割 監督式實例 其他元件 References 這張圖和⿃有關 這⽅框內是⿃ PwcHeng 影像切割與深度學習 Classification Detection/Localization
  3. 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1/26 初探影像切割 監督式實例 其他元件 References 藍⾊區域屬於⿃ PwcHeng 影像切割與深度學習 影像切割 (Semantic Segmentation)
  4. 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 這張圖⽚的中⼼位置 屬於岩⽯嗎?還是屬於⿃?
  5. 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習
  6. 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習
  7. 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習
  8. 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習
  9. 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習
  10. 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 1 = max ∈ ( )
  11. 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 ∑ = ∑ ∈ ( · )
  12. 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 ∑ = ∑ ∈ ( · )
  13. 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 頂層的表格內彙整了 圖⽚中⼤範圍 的資訊
  14. 14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 整合範圍⼤⼩ 底層像素:1 × 1 頂層表格:10 × 10
  15. 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13/26 初探影像切割 監督式實例 其他元件 References 監督式學習 屬於狗屬於背景 CNN [. . . ]-[Softmax]-[Cross Entropy] PwcHeng 影像切割與深度學習
  16. 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13/26 初探影像切割 監督式實例 其他元件 References 監督式學習 屬於狗屬於背景 CNN [. . . ]-[Softmax]-[Cross Entropy] ⽬標:預測屬於 狗 PwcHeng 影像切割與深度學習
  17. 17. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13/26 初探影像切割 監督式實例 其他元件 References 監督式學習 屬於狗屬於背景 CNN [. . . ]-[Softmax]-[Cross Entropy] ⽬標:預測屬於 背景 PwcHeng 影像切割與深度學習
  18. 18. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習 每張圖⽚蘊含⻑ × 寬組教材 數⼗萬、甚⾄上百萬次 CNN 傳遞?
  19. 19. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15/26 初探影像切割 監督式實例 其他元件 References 捲積−轉機? PwcHeng 影像切割與深度學習
  20. 20. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15/26 初探影像切割 監督式實例 其他元件 References 捲積−轉機? PwcHeng 影像切割與深度學習
  21. 21. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15/26 初探影像切割 監督式實例 其他元件 References 捲積−轉機? PwcHeng 影像切割與深度學習
  22. 22. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15/26 初探影像切割 監督式實例 其他元件 References 捲積−轉機? 底層表格(像素) ⾒樹不⾒林−像素只匯集了 1 × 1 範圍的資訊 頂層表格 解析度低−歷經多次 stride > 1 的轉換 ⾒林不⾒樹−歷經多層 max-pooling layers PwcHeng 影像切割與深度學習
  23. 23. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16/26 初探影像切割 監督式實例 其他元件 References Transpose of Conv.:擴散資訊,upsample 表格 : : : Kerenl Stride Pad 4 × 4 2 1 = [ conv transpose ( )] 0 [1], [2] PwcHeng 影像切割與深度學習
  24. 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16/26 初探影像切割 監督式實例 其他元件 References Transpose of Conv.:擴散資訊,upsample 表格 : : : Kerenl Stride Pad 4 × 4 2 1 = [ conv transpose ( )] 0 [1], [2] PwcHeng 影像切割與深度學習
  25. 25. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16/26 初探影像切割 監督式實例 其他元件 References Transpose of Conv.:擴散資訊,upsample 表格 : : : Kerenl Stride Pad 4 × 4 2 1 = [ conv transpose ( )] 0 [1], [2] PwcHeng 影像切割與深度學習
  26. 26. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16/26 初探影像切割 監督式實例 其他元件 References Transpose of Conv.:擴散資訊,upsample 表格 將底層表格融⼊上層運算 : : : Kerenl Stride Pad 4 × 4 2 1 = [ conv transpose ( )] + [ conv1×1 ( )] 0 [1], [2] PwcHeng 影像切割與深度學習
  27. 27. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16/26 初探影像切割 監督式實例 其他元件 References Transpose of Conv.:擴散資訊,upsample 表格 將底層表格融⼊上層運算 : : : Kerenl Stride Pad 4 × 4 2 1 = [ conv transpose ( )] + [ conv1×1 ( )] 底層計算結果須保留到上層,無法提前釋放記憶體 0 [1], [2] PwcHeng 影像切割與深度學習
  28. 28. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17/26 初探影像切割 監督式實例 其他元件 References 上下結構對稱:上層部分架構更深,學習能⼒越強 根據 max 位置放⼤表格:上層計算結合⼩巧的下層資訊 Indices of Max = [ unpool ( indices-of-max ( ))] 0 [3], [4] PwcHeng 影像切割與深度學習
  29. 29. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18/26 初探影像切割 監督式實例 其他元件 References Inference one 480 × 360 image on Titan: ≈ 50ms 模型對⼩型物體切割表現不好 模型無法區分同類別中的不同個體 模型預測結果偶有雜訊出現,不太平滑 PwcHeng 影像切割與深度學習
  30. 30. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19/26 初探影像切割 監督式實例 其他元件 References 先找出物體的位置和⼤⼩,再根據物體區域資訊做預測 分次處理屬於同⼀類別的不同物體 模型處理的輸⼊圖⽚幾乎都被物體所佔滿 匯集屬於物體範圍的資訊 0 [5] PwcHeng 影像切割與深度學習
  31. 31. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19/26 初探影像切割 監督式實例 其他元件 References 先找出物體的位置和⼤⼩,再根據物體區域資訊做預測 分次處理屬於同⼀類別的不同物體 模型處理的輸⼊圖⽚幾乎都被物體所佔滿 匯集屬於物體範圍的資訊 各⽅框獨⽴匯集資訊,⼀張圖⽚需多次捲積處理 Selective Search, Edge Box . . . 沒辦法和 CNN ⼀起訓練 0 [5] PwcHeng 影像切割與深度學習
  32. 32. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20/26 初探影像切割 監督式實例 其他元件 References Region Proposal Network—RPN 根據局部資訊(CNN 特徵表),判別區域是否有物體 所有運算皆可微分:RPN 可以和其他元件⼀同學習 anchor#1 . . . [. . . ]-[Softmax]-[Cross Entropy]:有沒有像 anchor 的物體 [. . . ]-[Smooth L1]:將 anchor 轉為物體框框 (x, y, w, h) 0 [6], [7] PwcHeng 影像切割與深度學習
  33. 33. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20/26 初探影像切割 監督式實例 其他元件 References Region Proposal Network—RPN 根據局部資訊(CNN 特徵表),判別區域是否有物體 所有運算皆可微分:RPN 可以和其他元件⼀同學習 anchor#1 anchor#2 . . . [. . . ]-[Softmax]-[Cross Entropy]:有沒有像 anchor 的物體 [. . . ]-[Smooth L1]:將 anchor 轉為物體框框 (x, y, w, h) 0 [6], [7] PwcHeng 影像切割與深度學習
  34. 34. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20/26 初探影像切割 監督式實例 其他元件 References Region Proposal Network—RPN 根據局部資訊(CNN 特徵表),判別區域是否有物體 所有運算皆可微分:RPN 可以和其他元件⼀同學習 anchor#1 anchor#2 . . . [. . . ]-[Softmax]-[Cross Entropy]:有沒有像 anchor 的物體 [. . . ]-[Smooth L1]:將 anchor 轉為物體框框 (x, y, w, h) 採⽤ Non-maximum Suppression 整合各區域預測結果,某 些情況下無法正確地找出所有重疊物體(有趣想法:[7]) 0 [6], [7] PwcHeng 影像切割與深度學習
  35. 35. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21/26 初探影像切割 監督式實例 其他元件 References RoI Warping Layer (RoI Pooling Layer) 將不同⻑寬的 CNN 特徵表,warp ⾄固定⻑寬 [CNN]-[RoI Warping]-[Classifier, Regressor, . . . ] 的組合 能處理不同⻑寬的輸⼊ CNN Warp CNN Warp 0 [8], [9], [10], [11] PwcHeng 影像切割與深度學習
  36. 36. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21/26 初探影像切割 監督式實例 其他元件 References RoI Warping Layer (RoI Pooling Layer) 將不同⻑寬的 CNN 特徵表,warp ⾄固定⻑寬 [CNN]-[RoI Warping]-[Classifier, Regressor, . . . ] 的組合 能處理不同⻑寬的輸⼊ CNN Warp CNN Warp 當 object proposal 很⼩時,範圍內資訊會濃縮在上層特徵 表中的⼀格。放⼤單格如複製重複資訊(有趣想法:[11]) 0 [8], [9], [10], [11] PwcHeng 影像切割與深度學習
  37. 37. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22/26 初探影像切割 監督式實例 其他元件 References Multi-task Network Cascades 將影像切割任務視為「找物體框框」、「切割出框框內 前景」、「預測前景部分物體類別」三步驟 各項⼩任務共享相同的 CNN 特徵表 CNN RPN: 找出各區塊潛藏的物體框框 NMS:整合各區塊的框框 Classifier: 框內各個位置是否為前景? Classifier: 前景部分是什麼類別? [框框]-[RoI Warping] 不看背景的資訊 0 [8] PwcHeng 影像切割與深度學習
  38. 38. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22/26 初探影像切割 監督式實例 其他元件 References Multi-task Network Cascades 將影像切割任務視為「找物體框框」、「切割出框框內 前景」、「預測前景部分物體類別」三步驟 各項⼩任務共享相同的 CNN 特徵表 CNN RPN: 找出各區塊潛藏的物體框框 NMS:整合各區塊的框框 Classifier: 框內各個位置是否為前景? Classifier: 前景部分是什麼類別? [框框]-[RoI Warping] 不看背景的資訊 0 [8] PwcHeng 影像切割與深度學習
  39. 39. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22/26 初探影像切割 監督式實例 其他元件 References Multi-task Network Cascades 將影像切割任務視為「找物體框框」、「切割出框框內 前景」、「預測前景部分物體類別」三步驟 各項⼩任務共享相同的 CNN 特徵表 CNN RPN: 找出各區塊潛藏的物體框框 NMS:整合各區塊的框框 Classifier: 框內各個位置是否為前景? Classifier: 前景部分是什麼類別? [框框]-[RoI Warping] 不看背景的資訊 0 [8] PwcHeng 影像切割與深度學習
  40. 40. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23/26 初探影像切割 監督式實例 其他元件 References Inference one image (shorter side 600 ) on K40: 360ms. 圖⽚來源:[8] 0 [8] PwcHeng 影像切割與深度學習
  41. 41. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24/26 初探影像切割 監督式實例 其他元件 References PwcHeng 影像切割與深度學習
  42. 42. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25/26 初探影像切割 監督式實例 其他元件 References Condional Random Field 「⾞⼦、⾺路」、「天空、⾶機」常⼀起出現 CRF 可⽤ RNN 實做,與 CNN ⼀同訓練 [12] Conv3, dilation = 1 Conv3, dilation = 2 PwcHeng 影像切割與深度學習
  43. 43. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25/26 初探影像切割 監督式實例 其他元件 References Condional Random Field 「⾞⼦、⾺路」、「天空、⾶機」常⼀起出現 CRF 可⽤ RNN 實做,與 CNN ⼀同訓練 [12] 基於整張圖⽚資訊做預測 ⽤ RNN 掃過所有區域的 CNN 特徵表 [13], [14] Conv3, dilation = 1 Conv3, dilation = 2 PwcHeng 影像切割與深度學習
  44. 44. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25/26 初探影像切割 監督式實例 其他元件 References Condional Random Field 「⾞⼦、⾺路」、「天空、⾶機」常⼀起出現 CRF 可⽤ RNN 實做,與 CNN ⼀同訓練 [12] 基於整張圖⽚資訊做預測 ⽤ RNN 掃過所有區域的 CNN 特徵表 [13], [14] Dilated Convolution [15] 增加少許參數數量,即可讓模型快速匯集區域資訊 可取代部分 stride > 1 的運算,維持特徵表解析度 Conv3, dilation = 1 Conv3, dilation = 2 PwcHeng 影像切割與深度學習
  45. 45. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26/26 初探影像切割 監督式實例 其他元件 References 總結 匯集像素點「周圍局部資訊」預測像素點類別 Max-pooling 與 stride > 1 的運算可能與影像切割不合 總結整體資訊才能做出全⾯的⼀致預測 PwcHeng 影像切割與深度學習
  46. 46. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26/26 初探影像切割 監督式實例 其他元件 References 總結 匯集像素點「周圍局部資訊」預測像素點類別 Max-pooling 與 stride > 1 的運算可能與影像切割不合 總結整體資訊才能做出全⾯的⼀致預測 資料量對效能影響明顯 [16] 圖⽚來源:[17] ⽬前資料難取,Semi-supervised Learning 頗重要 [17][18] 整合圖像外的知識 (如⽂字),影像切割應能更上層樓 PwcHeng 影像切割與深度學習
  47. 47. 初探影像切割 監督式實例 其他元件 References References I [1] J. Long, E. Shelhamer, and T. Darrell, “Fully convolutional networks for semantic segmentation,” in IEEE conference on computer vision and pattern recognition, CVPR 2015, boston, ma, usa, june 7-12, 2015, 2015, pp. 3431–3440. doi: 10.1109/CVPR.2015.7298965. [Online]. Available: http://dx.doi.org/10.1109/CVPR.2015.7298965. [2] M. D. Zeiler and R. Fergus, “Visualizing and understanding convolutional networks,” in Computer vision - ECCV 2014 - 13th european conference, zurich, switzerland, september 6-12, 2014, proceedings, part I, 2014, pp. 818–833. doi: 10.1007/978-3-319-10590-1_53. [Online]. Available: http://dx.doi.org/10.1007/978-3-319-10590-1_53. PwcHeng 影像切割與深度學習
  48. 48. 初探影像切割 監督式實例 其他元件 References References II [3] V. Badrinarayanan, A. Kendall, and R. Cipolla, “Segnet: A deep convolutional encoder-decoder architecture for image segmentation,” Corr, vol. abs/1511.00561, 2015. [Online]. Available: http://arxiv.org/abs/1511.00561. [4] A. Kendall, V. Badrinarayanan, and R. Cipolla, “Bayesian segnet: Model uncertainty in deep convolutional encoder-decoder architectures for scene understanding,” Corr, vol. abs/1511.02680, 2015. [Online]. Available: http://arxiv.org/abs/1511.02680. [5] H. Noh, S. Hong, and B. Han, “Learning deconvolution network for semantic segmentation,” in 2015 IEEE international conference on computer vision, ICCV 2015, santiago, chile, december 7-13, 2015, 2015, pp. 1520–1528. doi: 10.1109/ICCV.2015.178. [Online]. Available: http://dx.doi.org/10.1109/ICCV.2015.178. PwcHeng 影像切割與深度學習
  49. 49. 初探影像切割 監督式實例 其他元件 References References III [6] S. Ren, K. He, R. B. Girshick, and J. Sun, “Faster R-CNN: towards real-time object detection with region proposal networks,” Corr, vol. abs/1506.01497, 2015. [Online]. Available: http://arxiv.org/abs/1506.01497. [7] R. Stewart and M. Andriluka, “End-to-end people detection in crowded scenes,” Corr, vol. abs/1506.04878, 2015. [Online]. Available: http://arxiv.org/abs/1506.04878. [8] J. Dai, K. He, and J. Sun, “Instance-aware semantic segmentation via multi-task network cascades,” Corr, vol. abs/1512.04412, 2015. [Online]. Available: http://arxiv.org/abs/1512.04412. PwcHeng 影像切割與深度學習
  50. 50. 初探影像切割 監督式實例 其他元件 References References IV [9] K. He, X. Zhang, S. Ren, and J. Sun, “Spatial pyramid pooling in deep convolutional networks for visual recognition,” in Computer vision - ECCV 2014 - 13th european conference, zurich, switzerland, september 6-12, 2014, proceedings, part III, 2014, pp. 346–361. doi: 10.1007/978-3-319-10578-9_23. [Online]. Available: http://dx.doi.org/10.1007/978-3-319-10578-9_23. [10] C. Farabet, C. Couprie, L. Najman, and Y. LeCun, “Learning hierarchical features for scene labeling,” IEEE trans. pattern anal. mach. intell., vol. 35, no. 8, pp. 1915–1929, 2013. doi: 10.1109/TPAMI.2012.231. [Online]. Available: http://dx.doi.org/10.1109/TPAMI.2012.231. PwcHeng 影像切割與深度學習
  51. 51. 初探影像切割 監督式實例 其他元件 References References V [11] F. Yang, W. Choi, and Y. Lin, “Exploit all the layers: Fast and accurate cnn object detector with scale dependent pooling and cascaded rejection classifiers,” in Proceedings of the ieee international conference on computer vision and pattern recognition, 2016. [12] S. Zheng, S. Jayasumana, B. Romera-Paredes, V. Vineet, Z. Su, D. Du, C. Huang, and P. H. S. Torr, “Conditional random fields as recurrent neural networks,” in 2015 IEEE international conference on computer vision, ICCV 2015, santiago, chile, december 7-13, 2015, 2015, pp. 1529–1537. doi: 10.1109/ICCV.2015.179. [Online]. Available: http://dx.doi.org/10.1109/ICCV.2015.179. PwcHeng 影像切割與深度學習
  52. 52. 初探影像切割 監督式實例 其他元件 References References VI [13] Z. Yan, H. Zhang, Y. Jia, T. Breuel, and Y. Yu, “Combining the best of convolutional layers and recurrent layers: A hybrid network for semantic segmentation,” Corr, vol. abs/1603.04871, 2016. [Online]. Available: http://arxiv.org/abs/1603.04871. [14] F. Visin, K. Kastner, K. Cho, M. Matteucci, A. C. Courville, and Y. Bengio, “Renet: A recurrent neural network based alternative to convolutional networks,” Corr, vol. abs/1505.00393, 2015. [Online]. Available: http://arxiv.org/abs/1505.00393. [15] F. Yu and V. Koltun, “Multi-scale context aggregation by dilated convolutions,” Corr, vol. abs/1511.07122, 2015. [Online]. Available: http://arxiv.org/abs/1511.07122. PwcHeng 影像切割與深度學習
  53. 53. 初探影像切割 監督式實例 其他元件 References References VII [16] A. Handa, V. Patraucean, V. Badrinarayanan, S. Stent, and R. Cipolla, “Scenenet: Understanding real world indoor scenes with synthetic data,” Corr, vol. abs/1511.07041, 2015. [Online]. Available: http://arxiv.org/abs/1511.07041. [17] D. Lin, J. Dai, J. Jia, K. He, and J. Sun, “Scribblesup: Scribble-supervised convolutional networks for semantic segmentation,” Corr, vol. abs/1604.05144, 2016. [Online]. Available: http://arxiv.org/abs/1604.05144. [18] P. H. O. Pinheiro and R. Collobert, “From image-level to pixel-level labeling with convolutional networks,” in IEEE conference on computer vision and pattern recognition, CVPR 2015, boston, ma, usa, june 7-12, 2015, 2015, pp. 1713–1721. doi: 10.1109/CVPR.2015.7298780. [Online]. Available: http://dx.doi.org/10.1109/CVPR.2015.7298780. PwcHeng 影像切割與深度學習

×