UNet 改进：添加ASPP模块捕捉多尺度上下文信息

最新推荐文章于 2025-04-26 08:30:00 发布
最新推荐文章于 2025-04-26 08:30:00 发布
阅读量810 收藏 4
点赞数 4
分类专栏： AI 改进系列 文章标签： 深度学习 计算机视觉 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44886601/article/details/145992186
版权

目录

1. ASPP 模块

2. Unet 改进

3. 完整代码

Tips：融入模块后的网络经过测试，可以直接使用，设置好输入和输出的图片维度即可

1. ASPP 模块

ASPP​（Atrous Spatial Pyramid Pooling，空洞空间金字塔池化）是语义分割模型（如DeepLab系列）中的核心模块，旨在捕捉多尺度上下文信息，提升模型对不同尺寸物体的分割效果。

​1. 背景与动机

  • ​问题：图像中的物体尺寸差异大（如汽车 vs. 行人），传统卷积层难以同时捕捉多尺度特征。

    • <
了解本专栏 订阅专栏 解锁全文
UNet 改进(6)：结合DenseASPP密集连接与多尺度特征提取
2401_82355416的博客
04-09 165
本文将深入剖析一种UNet的改进版本——UNet-DenseASPP它通过引入DenseASPP模块显著提升了模型的多尺度特征提取能力。
ResNet改进(10)：添加 ASPP（Atrous Spatial Pyramid Pooling）
2401_82355416的博客
03-20 159
ASPP通过空洞卷积（Atrous Convolution）在单层特征图上实现多尺度特征提取，兼顾效率和性能。ASPP（Atrous Spatial Pyramid Pooling）是一种用于语义分割的模块，旨在通过多尺度特征提取提升模型性能。空洞卷积通过在卷积核中插入“空洞”来扩大感受野，无需增加参数量或分辨率。：使用不同空洞率（如1, 6, 12, 18）的卷积层，提取多尺度特征。：将多尺度特征和全局特征拼接或相加，融合后通过1x1卷积调整通道数。：通过不同空洞率捕捉多尺度信息。
CNN SSP, ASPP, PPM 分割任务经典尺度聚合模块
blanklog的博客
03-14 328
4x4, 2x2,1x1区域的maxpooling，让任意大小图像最终输出最终特征维度始终为 （16+4+1)*256。通过kernal [1,2,3,6] 池化，得到不同尺度的特征图，1x1卷积后上采样到原始尺度cat起来。[6,12,18，inf]的空洞卷积，全局pooling+上采样，之后全部cat起来。让任意大小图像最终输出的特征维度始终固定，便于接全链接层。不进行降采样的前提下，扩大感受野，融合不同尺度的特征。增强模型对多尺度上下文信息的捕获能力。
Pytorch实现DeeplabV3 Plus的ASPP(Atrous Spatial Pyramid Pooling)
xiongxyowo的博客
01-12 1万+
完整源码位于文章底部 ASPP是什么 ASPPConv 方法头： def __init__(self, in_channels, out_channels, dilation): in_channels：输入通道数 out_channels：输出通道数 dilation：膨胀率 事实上空洞卷积层与一般卷积层之间的差别就在于这个膨胀率，其控制的是卷积时的padding以及dilation。通过不同的填充以及与膨胀，以获取不同尺度的感受野，提取多尺度的信息。 nn.Conv2d(in_channels.
【DeepLab系列】 DeepLabV3中的ASPP(Atrous Spatial Pyramid Pooling)模块搭建
weixin_44994302的博客
07-14 8754
【DeepLab系列】 DeepLabV3中的ASPP模块搭建 1 前言 2 代码实现 2.1 ASPP模块流程图 说明：图片来自DeepLabV3 Rethinking Atrous Convolution for Semantic Image Segmentation 2.1 代码 说明：图片来自DeepLabV3+ Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation 说明：该代码针
ASPP模块
qq_44785998的博客
03-27 1万+
空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))对所给定的输入以不同采样率的空洞卷积并行采样。 几个步骤 1. 1*1卷积 2. 3*3卷积( padding=6, dilation=6 ) 3. 3*3 卷积( padding=12, dilation=12 ) 4. 3*3 卷积( padding=18, dilation=18 ) 5.先全局平均池化 ----> 输出尺寸(1,1) 1*1卷积 改变通道 ...
【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.59】引入ASPP模块
m0_70388905的博客
03-13 5974
针对特征金字塔的改进
2024.11.3 ASPP模块
m0_61346642的博客
11-03 576
最重要的是dilation参数，这个模块接收输入通道输出通道和倍率rate作为参数，实际上rate为1时（即dilation也为1）为普通卷积，所以在rate=1时卷积核大小为1，相当于1x1卷积，其他时间卷积核大小为3，且进行padding，这个padding可以保证卷积之后的特征图大小不变。然后定义了一个空洞卷积层，然后进行权重初始化，这里显式调用了权重初始化，保证不会出现初始权重不当导致无法训练的情况。这里是用的是kaiming 初始化。
DeeplabV3+支持DenseAspp结构的网络优化
Xiang_bin_bin的博客
03-02 2530
DenseAspp结构的网络优化
UNet 改进(19)：与ASPP结合的图像分割模型
最新发布
2401_82355416的博客
04-26 44
这个代码实现了一个改进版的UNet模型，在传统的UNet架构基础上，引入了ASPP模块来增强模型捕获多尺度上下文信息的能力。​​UNet主干网络​​：经典的编码器-解码器结构，带有跳跃连接​​ASPP模块​​：位于瓶颈层，用于提取多尺度特征。
惊人的语义分段：在Tensorflow和＆Keras上进行惊人的语义分段（包括FCN，UNet，SegNet，PSPNet，PAN，RefineNet，DeepLabV3，DeepLabV3 +，DenseASPP，BiSegNet）
02-06
惊人的语义分割 Tensorflow && Keras上的惊人语义分割（包括FCN，UNet，SegNet，PSPNet，PAN，RefineNet，DeepLabV3，DeepLabV3 +，DenseASPP，BiSegNet ...） 楷模 该项目支持以下语义分割模型： FCN-8s / 16s / 32s- UNet- SegNet- 贝叶斯SegNet- PSPNet- RefineNet- PAN- DeepLabV3- DeepLabV3Plus- DenseASPP- BiSegNet- 基本型号 该项目支持以下这些主干模型，您可以根据需要选择合适的基本模型。
DenseASPP:DenseASPP用于街道场景中的语义分割
05-12
DenseASPP用于街道场景中的语义分割 介绍 语义图像分割是自动驾驶中基本的街道场景理解任务，其中高分辨率图像中的每个像素都被分类为一组语义标签。 与其他场景不同，自动驾驶场景中的对象呈现出非常大的比例变化，这在必须正确编码多比例信息的意义上对高级特征表示提出了巨大挑战。 为了解决这个问题，引入了无规则卷积[2，3]来生成具有较大接收场的特征，而不牺牲空间分辨率。 建立在原子卷积的基础上，提出了原子空间金字塔池（ASPP）[3]，以使用不同的膨胀率将多个原子卷积的特征连接起来，形成最终的特征表示。 尽管ASPP能够生成多尺度特征，但我们认为尺度轴上的特征分辨率不足以实现自动驾驶场景。 为此，我们提出了密集连接的Atrous空间金字塔池（DenseASPP），该空间以密集的方式连接一组atrous卷积层，以便它生成多尺度特征，不仅覆盖更大的尺度范围，而且还覆盖了比例范围密集，而不会显着
DenseUNet 改进：添加ASPP模块
Henry的博客
03-03 482
​解决方案：ASPP通过并行空洞卷积（Dilated Convolution）​，以不同扩张率（Dilation Rate）提取多尺度特征，融合后增强模型感知能力。示例：扩张率18的3×3卷积，实际感受野为 ​**(18×2+1)×(18×2+1)=37×37**。​多尺度特征融合：通过不同扩张率，同时捕捉局部细节（小扩张率）和全局上下文（大扩张率）。4个并行卷积层，扩张率分别为 ​1, 6, 12, 18​（对应不同感受野）。​扩大感受野：空洞卷积在不增加参数量或下采样的前提下，扩大卷积核感受野。
Unet与DenseUNet融合ASPP注意力机制腹部脊椎图像分割对比
在图像分割任务中，ASPP允许网络捕捉不同尺度的上下文信息，对于处理复杂的图像结构尤为重要。 注意力机制是深度学习中的一种技术，使得模型能够专注于对当前任务更为重要的特征，并抑制不重要的信息。在图像分割中...
unet改进
03-08
DeepLab系列算法通过对ASPP(Atros Spatial Pyramid Pooling)模块的应用扩展了感受野范围，有效捕捉到了更大范围内上下文关系；同时采用编码解码结构进一步提升了边界区域像素分类准确性。此外，Xception作为骨干网的...
深入浅出之SPP、SPPF、SPPCSPC与ASPP模块（YOLO）
热门推荐
浩瀚之水的专栏
09-18 1万+
YOLOv4中的SPP模块是一个重要的组成部分，它通过融合不同尺度大小的特征图来增强网络的特征提取能力。SPP的引入使得YOLOv4能够更好地适应不同大小的输入图像，并提取出更加丰富的特征信息，从而提高目标检测的精度和泛化能力。
ASPP模块笔记
985小菜鸡
09-13 2524
ASPP模块通过多个不同膨胀率的卷积核并行处理图像特征，以捕获不同尺度的上下文信息。各个卷积核的感受野因膨胀率不同而变化，膨胀率越大，感受野越广。ASPP结合了局部和全局信息，有助于提高像素级分类的准确性，特别适合用于语义分割任务。通过这个模块，网络能够兼顾到图像中的小细节和大背景，提升语义分割结果的精度和一致性。ASPP模块通常在网络的深层深层特征具有更强的语义信息，ASPP在深层能够更好地聚合多尺度上下文信息。深层感受野较大，ASPP能有效进一步扩展感受野。深层特征图空间分辨率较低。
pytorch：ASPP模块，空洞卷积
DMU_Yucky的博客
10-20 2827
ASPP空洞卷积pytorch实现
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

听风吹等浪起

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值