다음 코드로 앞에서 정의한 FCN32s의 최종 출력을 생성합니다.
final_fcn32s_pool = pool5(pool5_output)
final_fcn32s_output = fcn32s_conv_layer(final_fcn32s_pool)
final_fcn32s_output = fcn32s_upsampling(final_fcn32s_output)
fcn32s_model = keras.Model(inputs=input_layer, outputs=final_fcn32s_output)
여기에서 pool5_output을 pool5 층에 적용하여 변환된 특징 맵을 얻습니다. 이 특징 맵을 fcn32s_conv_layer에 적용하여 각 픽셀의 클래스 확률을 얻습니다. 마지막으로 fcn32s_upsampling을 적용하여 출력 사이즈를 원본 이미지 사이즈로 확장합니다.
추가로 FCN의 두 가지 변형, FCN-16s와 FCN-8s를 구현합니다. 앞서 진행한 내용과 동일합니다.
pool4 = keras.layers.Conv2D(filters=NUM_CLASSES,kernel_size=(1, 1),
padding="same",strides=(1, 1),activation="linear",kernel_initializer=keras.
initializers.Zeros(),)(pool4_output)
pool5 = keras.layers.UpSampling2D(size=(2, 2),data_format=keras.backend.image_data_
format(),interpolation="bilinear",)(final_fcn32s_pool)