deeplab系列：deeplabv3语义分割算法解析

Deeplabv3算法介绍

Deeplab系列算法一直都在语义分割领域占有重要地位！目前Deeplab全系列分为deeplabv1、deeplabv2、deeplabv3、deeplabv3+四部曲。
这一部分主要介绍deeplabv3。

网络结构解析

网络组成：

Stem模块就是Conv+MaxPooling。
Res_LayersX就是ResNet模块对应的ResBlock。
Res_Layers4_copyX就是复制Res_Layers4的卷积层。
理论上整个ResNet网络最终输出特征图为32倍下采样，作者认为可能太小了，所以去掉了最后一个Maxpooling。但是感受野的也会减少2倍，因此采用扩张卷积来增加减少的感受野。
Muti-Grid(多网格)：简单理解就是把ResNet基础瓶颈层中的卷积设置不同的扩张率。
单个卷积扩张率公式为
$$Dilated=Rate\ast (r_1,r_2,r_3)$$

已知Res_Layers4由三个瓶颈层组成，如上图所示。作者做了大量实验来找出最佳超参数$(r_1,r_2,r_3)$，最终找出来的超参数为(1,2,1)效果最好。下图是截取原论文数据：

改进ASPP模块：
结构来源于PSPNet的空间金字塔池化的成功，它表明，在不同尺度上重新采样特征，可以准确有效地对任意尺度的区域进行分类。
对deeplabv2中的ASPP模型进行少量改进。增加一个1×1分支和Adaptive Pool分支，同时每个卷积后面加入了BN层，并将其concat拼接后用1×1卷积降维到C。
结构如下：

以上是整篇论文的网络结构，一些训练策略和数据扩充策略我就不详细展开了。