【深度学习|学习笔记】Dual Path Fully Convolutional Network（Dual Path FCN）的起源、原理、发展和应用（附代码）

【深度学习|学习笔记】Dual Path Fully Convolutional Network（Dual Path FCN）的起源、原理、发展和应用（附代码）

【深度学习|学习笔记】Dual Path Fully Convolutional Network（Dual Path FCN）的起源、原理、发展和应用（附代码）

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146957339

---

一、起源：融合多尺度信息的需求推动

1.1 背景

随着 FCN（Fully Convolutional Network，全卷积网络） 的提出，语义分割进入深度学习主导时代。但 FCN 存在两个问题：

• 上采样精度不足，导致边缘模糊；
• 高层特征虽语义强，但空间细节差，低层特征细节丰富但语义弱。

1.2 Dual Path FCN 的提出

为了解决上述矛盾，研究者提出了 Dual Path FCN，核心思想是通过 两条独立路径 分别处理：

• 主路径（主干）：提取高层语义特征；
• 辅助路径（边缘细节）：保留空间分辨率和边缘信息。

二、原理：双分支融合结构

2.1 核心结构组成

Dual Path FCN = 主路径 + 辅助路径 + 融合模块

🧠 主路径：

• 通常为一个 CNN 主干（如 ResNet、VGG、MobileNet 等）
• 逐层下采样、获取高语义特征

👁️ 辅助路径：

• 保持较高空间分辨率（不下采样或轻量下采样）
• 保留细节边缘、纹理、局部结构

🔗 融合策略：

• 特征对齐后拼接 / 加权融合 / attention 加权
• 多尺度融合、skip connection 或 feature alignment

2.2 结构图示意

Input
  ├──→ 主路径（深层 CNN 提取语义）─────┐
  └──→ 辅助路径（浅层保留边缘细节）──┤→ 融合 → 分割预测

三、发展与演进

3.1 BiSeNet（2018）

• 结构上类似 Dual Path FCN，被视为其进化版；
• 提出 Spatial Path + Context Path 的分支结构；
• 更强融合策略如 attention refinement、feature fusion module。

3.2 高效模型演进

Dual Path 架构被广泛融合进：

• HRNet：不同分辨率分支同时进行
• ICNet：Image Cascade for Real-Time Segmentation
• DDRNet：Deep Dual-Resolution Network（分辨率不对齐也可训练）

四、改进方向

五、应用场景

六、PyTorch 简化实现示例

我们以一种简化版 Dual Path FCN 的结构进行演示（主干 + 辅助 + 融合）：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torchvision.models import resnet18

class DualPathFCN(nn.Module):
    def __init__(self, num_classes):
        super(DualPathFCN, self).__init__()
        # 主路径：使用 ResNet18 backbone
        resnet = resnet18(pretrained=True)
        self.backbone = nn.Sequential(*list(resnet.children())[:-2])  # [B, 512, H/32, W/32]

        # 辅助路径：轻量卷积提取边缘细节
        self.aux_path = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3, padding=1),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.Conv2d(32, 64, kernel_size=3, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU()
        )

        # 上采样主路径特征
        self.up_main = nn.ConvTranspose2d(512, 64, kernel_size=4, stride=4)

        # 融合后预测
        self.classifier = nn.Sequential(
            nn.Conv2d(128, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, num_classes, 1)
        )

    def forward(self, x):
        x_main = self.backbone(x)          # [B, 512, H/32, W/32]
        x_main_up = self.up_main(x_main)   # [B, 64, H/8, W/8]

        x_aux = self.aux_path(x)           # [B, 64, H, W]
        x_aux_ds = F.interpolate(x_aux, scale_factor=1/8, mode='bilinear', align_corners=True)

        fused = torch.cat([x_main_up, x_aux_ds], dim=1)  # concat features

        out = self.classifier(fused)
        out = F.interpolate(out, size=x.shape[2:], mode='bilinear', align_corners=True)
        return out

七、代码说明与关键点