FCN
DeepLab
DeepLabV1
DeepLabV2
论文:DeepLab-- Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
创新点:
- 采用空洞卷积 Atrous (or dilated) convolution
- 采用空洞空间金字塔pooling Atrous Spatial Pyramid Pooling (ASPP)
- 加入了Conditional Random Field (CRF)来精细化定位
空洞卷积
主要是为了解决max pooling或者带strided 的convolution带来的图像分辨率减少的问题。
用上采样之后的kernel来替代max pooling。
图像插值方式:最近邻和双线性插值。
直接采用双线性插值来取代反卷积Deconvolution。
采用空洞卷积的优势:
- 可以扩大感受野
- 可以减少参数量
- 可以减少运算量
实现方式:
- 对kernel插入0来上采样,然后与输入进行卷积运算,会引入很多与0相乘的运算
- 类似tensorflow的实现方式: space2batch ->standard convolution -> batch2space.