语义分割-DeepLabv2

论文原文

DeepLab: Semantic Image Segmentation withDeep Convolutional Nets, Atrous Convolution,and Fully Connected CRFs

0. 简介

  DeepLabv2与DeepLabv1非常相似，针对CNN做语义分割的缺点做了些改进：

• 将hole算法(即空洞卷积)引入了CNN中，解决DCNN重复池化下采样导致分辨率大幅下降，位置信息难以恢复的问题；
• 将CRF与DCNN结合，解决由于DCNN的空间不变性导致的分割粗糙，细节信息丢失问题；
• 引入了空洞空间金字塔结构ASPP来融合多尺度的特征图；

  DeepLabv2与DeepLabv1主要不同之处在于DeepLabv2利用ASPP模块成功地融合了多尺度信息。而在DeepLabv1中虽然尝试了利用多尺度信息，但效果并没有提升。

1. 网络结构

  DeepLabv2整体架构DeepLabv1类似，它的encoder部分基于分类网络VGG-16或ResNet-101实现。
  首先将原图经过利用空洞卷积改进的CNN网络下采样到原来图的 1 8 \frac{1}{8}