语义分割--DeepLab系列总结

本文是对语义分割领域的优秀模型DeepLab系列进行的总结。

一、空洞卷积Atrous Convolution

空洞卷积，也称之为膨胀（dilated）卷积，经常用在小波变换上，现在被应用在卷积网络中。空洞卷积的操作与常规卷积相比，多了一个“rate”参数。

上图是1维空洞卷积示例（pad=n表示在左右两边都进行填充n个零输入）：

当rate=1时（上图），就是常规卷积，每一个输出特征（绿色）对应三个位置上连续的输入特征，即采样的间隔为0。

当rate>1时（下图），就是空洞卷积，每个输出特征同样对应三个输入特征，但是采样的间隔是1，而且不仅两端有填充，中间也有零填充。

对比可以发现，同样是3个输入特征，常规卷积输出3个，空洞卷积输出5个，故空洞卷积能够扩大特征的尺寸，扩大感受野的范围以处理到更丰富的上下文信息。

下面是特征图尺寸计算公式，W是原尺寸，p是pad填充数，d是膨胀率，k是卷积核尺寸，s是滑动步长。当k=3，s=1，pad=d时，输出尺寸与输如尺寸不变。