语义分割模型-DeepLab

语义分割模型-DeepLab

介绍下DeepLab系列，由谷歌推出的针对语义分割的模型，到目前为止，共有四个版本,这里重点介绍下前两个版本，由于时间原因，并没有来得及读v3+的论文
针对其中用到的主要方法，和大家分享下

1. 空洞卷积
2. 结构化预测—全连接的CRF
3. 多尺度预测—ASPP

空洞卷积

空洞卷积(Dilated Convolution/Atrous Convolution):在标准卷积核的两个相邻元素间填充0。 dilated rate：即扩张率，当其为r时, 卷积核两个相邻元素间填充(r-1)个0。可认为标准卷积是空洞卷积的一个特殊形式。

例如第一个例子：它扩张完后的大小为：5=3+（3-1）*（2-1）

空洞卷积的计算量是不变的，卷积的过程是完全相同的，只是卷积核变了一下
作用：

1. 不丢失分辨率、不增加计算量的同时，扩大了感受野:在传统DCNN中，取消后两个Pooling层，并用空洞卷积替代原本的标准卷积。
2. 捕获多尺度上下文信息：通过设置dilated rate参数，来获取不同尺寸的感受野，即获取了多尺度信息。

首先解释一下第一个作用

下面的第一幅图片是标准卷积，核为3，步长和padding为1
第二幅图片是扩张率为2的卷积。


第一个的一个输出特征跨了3个输入特征；下面的一个输出特征跨了5个输入特征。
空洞卷积在计算量不增大的前提下，可以有效增大感受野
既然它扩大了感受野，那原来用于扩大感受野的pooling操作就可以去掉了，这样也就保持了图片的分辨率

那么膨胀率能一味增大么？感受野能一味增大么？
答案是不能。下面看一个图片

DeepLa