DeepLabv3源码

ASPP

分成了两部分：
第一个部分ASPPModule：
（1）__init__函数就根据dilations产生不同的卷积层。

# 一个dilation产生一个卷积核
for dilation in dilations:
self.append(
ConvModule(
self.in_channels,
self.channels,
1 if dilation == 1 else 3, #卷积核尺寸，当dilation=1时，1×1，p=0的卷积核；当不等于1时，3×3，p=dilation
dilation = dilation,
padding = 0 if dilation == 1 else dilation,    #=1，p=0；不等于1，p=dilation
conv_cfg=self.conv_cfg,
norm_cfg=self.norm_cfg,
act_cfg=self.act_cfg))

根据DeepLabv3的配置文件，dilations=(1, 12, 24, 36)，其实就是根据膨胀系数使用较大的padding，来保证feat_map的不变。空洞卷积的计算公式，就是改变卷积核的大小k’=k+(k-1)*(d-1)，其中k为原来卷积核的大小，d为膨胀系数。然后特征图尺寸的计算是一样的。

（2）forward函数：对输入的x，每种尺度卷积来一次，输出成列表出来
第二个部分ASPPHead：

1. _init__函数：
   （a）初始化image_pool，一个平均池化层(尺度掉到1)，然后1×1卷积(带BN)
   （b）初始化ASPP
   （c）初始化bottleneck卷积块，3×3，p=1，带BN
2. forward函数：输入x
   （a）x进行image_pool前向传播得到x1，然后对x1使用双线性插值恢复到x的尺度。
   （b）x再经过ASPP模块，和（a）一起得到有5个元素的list
   （c）将list中的元素进行cat，然后进行卷积处理，然后进行分割