deeplab v3+ 图像语义分割

发展历程

FCN，端到端的语义分割，将端到端的卷积网络推广到语义分割中；重新将预训练好的Imagenet网络用于分割问题中；使用反卷积层进行上采样；提出了跳跃连接来改善上采样的粗糙程度。

结构如下

segnet

将最大池化指数转移至解码器中，改善了分割分辨率。

具体解释：

在FCN网络中，通过上卷积层和一些跳跃连接产生了粗糙的分割图，为了提升效果而引入了更多的跳跃连接。

然而，FCN网络仅仅复制了编码器特征，而Segnet网络复制了最大池化指数。这使得在内存使用上，SegNet比FCN更为高效

UNET编码器-解码器结构，

deeplab v1 v2使用了空洞卷积；提出了在空间维度上实现金字塔型的空洞池化atrous spatial pyramid pooling(ASPP)；使用了全连接条件随机场

缺点：DeepLab得到的预测结果只有原始输入的1/8大小。

deeplabv3改进了空间维度上的金字塔空洞池化方法(ASPP)；该模块级联了多个空洞卷积结构。

示例代码

with tf.variable_scope("aspp"):
  if output_stride not in [8, 16]:
    raise ValueError('output_stride must be either 8 or 16.')

  atrous_rates = [6, 12, 18]
  if output_stride == 8:
    atrous_rates = [2*rate for rate in atrous_rates]

  with tf.contrib.slim.arg_scope(resnet_v2.resnet_arg_scope(batch_norm_decay=batch_norm_decay)):
    with arg_scope([layers.batch_norm], is_training=is_training):
      inputs_size = tf.shape(inputs)[1:3]
      # (a) one 1×1 convolution and three 3×3 convolutions with rates = (6, 12, 18) when output stride = 16.