基础语义分割网络及相关概念笔记与记录

目录

转置卷积（反卷积）

Dilated Convolution(空洞卷积)

Gridding effect

DeepLab

1）DeepLab V1

2）DeepLab V2

ASPP方法

3）DeepLab V3

获取多尺度上下文的几种方式

Deeplab V3的两种模型结构

---

转置卷积（反卷积）

对于转置卷积首先需要明确两个概念1）转置卷积不是卷积的逆运算 2）转置卷积也是卷积

转置卷积所起到的作用是上采样。转置卷积的示意图如下所示

在上图中输入特征图是一个2*2的特征图，但是会在特征图的周围填充一些0元素，并采用3*3的卷积核进行转置卷积，最终得到的输出特征图的尺寸变为4*4

转置卷积的具体步骤为：

（1）在输入特征图像素之间添加S-1行0，S-1列0 （2）在输入特征图的四周添加K-P-1行0，K-P-1列0 （3）在卷积核参数上下左右翻转（4）做正常的卷积运算，填充为0，步距为1

（ 其中K是卷积核的尺寸，P是paddding的大小，S是卷积核移动的步距）。输出特征图的高宽计算公式以及实例如下图所示

详细的步骤图解如下所示：

首先进行添0操作，然后再对原有卷积核进行上下左右的翻转，最后通过普通的卷积过程得到输出特征图。

Dilated Convolution(空洞卷积)

空洞卷积主要有以下两个作用，首先它能够增大感受野。其次能够保持原输入特征图的W,H。一般在实际的使用过程中会将padding的值设为1从而使原始输入图像和输出图像的尺寸保持一致。

但是在使用空洞卷积时不能直接将普通卷积替换成空洞卷积然后进行堆叠，如果直接进行堆叠可能会产生gridding  effect问题。