语义分割 DeepLabv3，DeepLabv3+

最新推荐文章于 2023-09-14 18:02:22 发布

枫桥夜泊1003

最新推荐文章于 2023-09-14 18:02:22 发布

阅读量634

点赞数

分类专栏：目标检测深度学习文章标签：计算机视觉人工智能

本文链接：https://blog.csdn.net/m0_60341379/article/details/120899684

版权

本文介绍了语义分割中的关键概念——空洞卷积（Dilated/Atrous Convolution），阐述了其增大感受野、保持信息完整性的优势。同时，详细梳理了DeepLab系列网络的发展，从DeepLabv1到DeepLabv3+，特别是DeepLabv3在ASPP模块与空洞卷积的应用，以及DeepLabv3+引入的解码器模块来优化边界细化。

摘要由CSDN通过智能技术生成

在这里插入图片描述

语义分割实例

在这里插入图片描述

感受野（receptive field）：CNN中，某一层输出结果中一个元素所对应的输入层的区域大小.。越大的感受野包含越多的上下文关系
Dilated/Atrous Convolution(中文叫做空洞卷积或者膨胀卷积) 或者是 Convolution with holes 从字面上就很好理解，是在标准的 convolution map 里注入空洞，以此来增加 reception field。相比原来的正常convolution，dilated convolution 多了一个 hyper-parameter 称之为 dilation rate 指的是kernel的间隔数量(e.g. 正常的 convolution 是 dilatation rate 1)。
卷积核的dialate属性定义为卷积核的元素间距，如 dialate=2 是每隔一个像素位置应用一个卷积元素，dialate=1就是普通的无孔卷积。

空洞卷积优点：在不做pooling损失信息和相同的计算条件下的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。空洞卷积经常用在实时图像分割中。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小