论文阅读理解 - (Deeplab-V3)Rethinking Atrous Convolution for Semantic Image Segmentation

最新推荐文章于 2024-08-09 19:20:42 发布

AIHGF

最新推荐文章于 2024-08-09 19:20:42 发布

阅读量3w

点赞数 11

分类专栏：论文阅读语义分割语义分割文章标签： DeeplabV3

本文链接：https://blog.csdn.net/zziahgf/article/details/75314719

版权

本文详细探讨了Deeplab-V3如何利用带孔卷积（Atrous Convolution）进行语义图像分割。介绍了Atrous Convolution如何调整滤波器的接受域，以及其在提取密集特征、多尺度信息方面的优势。Deeplab-V3提出Atrous Spatial Pyramid Pooling (ASPP)模块，结合不同膨胀率的卷积和全局内容信息，提升了分割效果。此外，还讨论了如何通过多网格策略和串行ASPP网络模块，解决图像边界效应问题，实现有效捕获大范围信息。

摘要由CSDN通过智能技术生成

Deeplab-V3

Rethinking Atrous Convolution for Semantic Image Segmentation

[Paper]

[Code-TensorFlow]

摘要

DeeplabV1&V2 - 带孔卷积(atrous convolution), 能够明确地调整filters的接受野(field-of-view)，并决定DNN计算得到特征的分辨率；
DeeplabV3 - 多尺度(multiple scales)分割物体，设计了串行和并行的带孔卷积模块，采用多种不同的atrous rates来获取多尺度的内容信息；
DeeplabV3 - 提出 Atrous Spatial Pyramid Pooling(ASPP)模块, 挖掘不同尺度的卷积特征，以及编码了全局内容信息的图像层特征，提升分割效果；
DeeplabV3 - 无需DenseCRF后处理.

Introduction

Atrous convolution
- Atrous convolution, 即dilated convolution, 它通过移除最后几层的下采样操作以及对应filter 核的上采样操作，来提取更紧凑的特征，相当于在不同的 filter权重间插入 holes;
- Atrous convolution, 决定了DCNNs计算的特征的分辨率，而不增加新的额外学习参数.
Multiple scales 常见的多尺度处理
DeeplabV3
- 在串行模块和 spatial pyramid pooling 模块的网络结构中，atrous convolution,都能够有效增加filters的接受野，整合多尺度信息.
- 提出的串行和并行ASPP网络模块包含了不同rates 的atrous convolution处理与batch normalization layers，对于网络训练很重要.
- 一个重要的实际问题是，采用rate非常大的3×3 atrous convolution，由于图像边界效应，不能捕捉图像的大范围信息，effectively simply degenerating to 1×1 convolution, 故这里提出将图像层特征整合仅ASPP模块中.