Deeplab系列算法

1.图像分割中的传统做法

        为了增大感受野，通常都会选择pooling操作，但是也会丢失一部分信息

         

2. DeepLab系列方法

        

传统卷积

空洞卷积

通过设置dilated参数可以得到不同感受野的特征（3*3，7*7，15*15）

 空洞卷积的优势：

        图像分割任务中（其他场景也适用）需要较大感受野来更好完成任务

        通过设置dilation rate参数来完成空洞卷积，并没有额外计算

        可以按照参数扩大任意倍数的感受野，而且没有引入额外的参数

        应用简单，就是卷积层中多设置一个参数就可以了

4.感受野 

         

 

        如果堆叠3个3*3的卷积层，并且保持滑动窗口步长为1，其感受野就是7*7的了， 这跟一个使用7*7卷积核的结果是一样的，那为什么非要堆叠3个小卷积呢？

        假设输入大小都是h*w*c，并且都使用c个卷积核(得到c个特征图)，可以来计算一下其各自所需参数：

        

        

        很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。

5.SPP-Layer

         SPP的具体实现方法如图所示，在最后一个卷积层之后插入一个SPP层(或替换原卷积层之后的池化层)，在最后一个卷积层之后的特征图上，划分粗细尺度不同的几级均匀网格(特征图的各通道切片上，网格划分的方式一致)。各级网格对特征图进行了不同尺度的划分，构成了特征图的金字塔结构。对每级网格中的每个单元，使用最大值池化或平均值池化，池化之后的结果融合在一起，构成长度固定的特征向量。在SPP的过程中，对于不同大小的图像，同一层级网格单元格的数量是相同的，每个单元格的尺寸和整个图像的尺寸成正比，这样就保证了无论输入图像的尺寸如何，经过SPP层之后，都能变成同样维度的特征向量。向量的总维数为kxM，其中k表示SPP输入特征图的通道数(即最后一个卷积层卷积核的个数)，M表示在每个切片上，各级网格单元格数量之和。图8-5中使用了3个均匀网格，网格的尺寸分别是4×4、2×2和1×1，图中特征图的通道数为256，经过SPP层之后，图像的特征向量变换成(4×4+2×2+1×1)×256维，维度和输入图像的分辨率及宽高比都无关。

        

5.常用的多尺度特征提取方法 

         

6.ASPP（atrous convolution SPP）

        其实就是跟SPP差不多，只不过引入了不同倍率的空洞卷积

 

7.deepLabV3+ 

整体网络架构： 

         

• 效果提升不算多
• Backbone可以改进
• 创新不多所以不是4版