【paddlepaddel】图像分割——deeplabV3模型

最新推荐文章于 2024-09-09 23:51:40 发布

风吹吹屁屁凉

最新推荐文章于 2024-09-09 23:51:40 发布

阅读量693

点赞数 1

分类专栏： paddlehub 文章标签：深度学习

本文链接：https://blog.csdn.net/qq_39201116/article/details/109268018

版权

paddlehub 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

附上百度飞桨图像分割课程链接(https://aistudio.baidu.com/aistudio/course/introduce/1767)
在学习deeplab之前，首先回顾一下PSPnet的网络结构，PSP即Pyramid Pooling Modual，简而言之就是“左顾右盼的意思”，就是增加了图片像素点对其他周围像素的影响，而添加这种影响的方式就是在网络中加入了adaptive_average_pool以及Dilated Convolution（空洞卷积），这里不再详述。
DeepLab则更好的实现了这一点，其模型的整体设计如下图所示。

在这里插入图片描述
在此网络中，使用resnet50作为backbone，增加dilation的地方在Res Layers4 to Layers8，其中每一块的dilation值在下图中给出。通过这种方式可以增大像素点的感受野，从而更好地对每个像素点进行分割及分类。举个例子，如果有一个和汽车形状很像的船停在水中，那么就可以通过这种方式将船与水联系起来，这里就达到了扩大感受野的目的，从而判断出在水上的是船，在陆地上的是车。
在这里插入图片描述
除此之外，在上图的模型结构图中可以看到，对比与V2版本，ASPP模块也做了改进，在原有的基础上， feature后面还增加了一个11的卷积和一个Adaptive Pool + interpolation，因此会输出5个feature，然后在将他们concat起来，再通过一个11的卷积改变通道数为classes，这样就完成了ASPP模块。
在这里插入图片描述
再次看模型结构图可以发现，经过了这个模块之后就可以对feature进行classification了，分类完成之后，在进行一个8倍上采样interpolation将输出图的大小转成输入图相同的大小即可完成预测输出。
这样一来，整个网络的流程全部结束，非常感谢百度paddle分割课程中提供的模型资料图，让整个模型流程显得一目了然，简单明了。