学习笔记5--deeplab系列

与u-net一样，deeplab系列同样用于图像分割，但是两者是不同的。U-net通常用于医学领域，用于检测小目标，需要局部特征。而当目标较大时

空洞卷积(dilated convolution):也叫作扩张卷积或者膨胀卷积，简单来说就是在卷积核元素之间加入一些空格（零）来扩大卷积核的过程。空洞卷积可以增加感受野，当需要检测难度更大的样本时，就需要观测到更全局的信息。

左常规卷积，右空洞卷积

间隔起来的信息从哪来？在相邻两个值内填充0

通过设置dilated参数可以得到不同特征野的特征（3*3,7*7,15*15）

SPP：SPP结构又称空间金字塔池化，能将任意大小的特征图转化成固定大小的特征向量。

输入层：是有任意一张大小的图片，大小为w*h。

输出层：21个神经元-----即我们希望得到的21个特征。

分析：对输入的任意一整图片，分别进行4*4，*2，,,1*1分块，并分别取出每一个框内的max值，分别得到16,4,1个特征，一共有16+4+1=21个特征，将得到的21个特征拼接在一起。

ASPP（atrous convolution SPP）：空洞空间卷积池化金字塔，其实和SPP差不多，只不过引入了不同倍率的空洞卷积