语义分割面经

简述一下Unet网络
UNet网络和FCN都是Encoder-Decoder结构
Encoder由卷积操作和下采样操作组成，统一使用3✖️3的卷积核，padding为0，striding为1，所以每次卷积之后feature map的H和W变小了，在skip-connection时要注意feature map的维度。下采样使用的是最大池化
feature map经过Decoder恢复原始分辨率，该过程除了卷积比较关键的步骤就是上采样和skip-connection
上采样常用的方式有两种：反卷积和双线性插值

反卷积
1.直接进行full卷积
2.先进行上池化，再进行valid卷积

双线性插值

分割网络要想获得好效果，skip-connection 必不可少。Unet 中这一关键步骤融合了底层特征的位置信息与深层特征的语义信息

FCN与CNN最大的区别
FCN将传统卷积网络后面的全连接层换成了卷积层
1.不含全连接层(fc)的全卷积(fully conv)网络，可适应任意尺寸输入。
2.增大数据尺寸的反卷积(deconv)层，能够输出精细的结果。
3.结合不同深度层结果的跳级(skip)结构，同时确保鲁棒性和精确性。

分割出来的结果通常会有不连续的情况，怎么处理？
开运算 闭运算

mIOU的计算方式

空洞卷积的具体实现
Dilated convolution就是为了在不使用pooling操作损失信息也能增加感受野。空洞卷积：有两种实现方式，第一，卷积核填充0，第二，输入等间隔采样。空洞卷积的rate，代表传统卷积核的相邻之间插入rate-1个空洞数。

带权重的交叉熵：

focal loss：

Dice loss：

laplace smoothing：
将分子分母全加上1
好处：
1.避免分母为0的情况
2.减少过拟合（模型下降到同一个损失值时，加laplace smoothling的DIce系数要比不加laplace的Dice系数小）

优点：
1.代理函数就是优化目标函数
2.解决样本不平衡问题
缺点：
1.训练误差曲线非常混乱，很难看出关于收敛的信息
2.在正样本是小目标的时候，一旦有一部分预测错误，loss就会发生大幅度的变化
3.
pt简化成一个值再来求梯度

梯度为
如果p、t过小则会导致梯度变化剧烈，导致训练困难