图像分割实战-系列教程12：deeplab系列算法概述-编程知识

图像分割实战-系列教程12：deeplab系列算法概述

🍁🍁🍁图像分割实战-系列教程总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传

1、空洞卷积

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

当需要检测、分割的目标比较小的时候，这些小目标在图像中的占据的位置也比较小，只需要局部的特征就可以识别，那些目标比较大、还有识别难度比较大的目标，只用局部的特征就不好做这个物体的识别。

这个应该怎么做呢？一般在深度学习中，需要堆叠很多很多层，目的就是通过各种各样的卷积和偏执权重参数去拟合数据，还有就是扩充一个东西，就是感受野。经过多次卷积，特征图的一个点，可能会代表原始图像中一个比较大的区域，一个点所能代表的区域大小，就是感受野。所以目标大、难度的物体，包含的特征比较多，所以需要多次卷积至特征图比较小的时候，得到高阶特别才能比较好的识别这个物体。

一般的做法就是，每隔两次卷积，做一次pooling，并且重复这个堆叠，堆叠的越多感受野肯定越大。但是在感受野增大的过程中，也会丢失一些信息，这里的问题出在哪儿呢？就是做pooling的时候丢失了信息。

如图所示，左边为传统卷积，右边为空洞卷积（dialate convolution）

传统卷积，加上padding的原因是因为边缘信息被计算的比较少，空洞卷积解决这个问题的方法是卷积个数没变，但是卷积区域变化了，每次卷积过程中，只有部分数据参与计算，这样的计算方式比传统卷积的特征的感受野变大了一些。

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）
在这里插入图片描述

2、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

3、感受野

deeplab这个网络总是在强调感受野这个概念

如果堆叠3个3x3的卷积层，并且保持滑动窗口步长为1，其感受野就是77的了，这跟一个使用77卷积核的结果是一样的，那为什么非要堆叠3个小卷积呢？
在这里插入图片描述
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，因为每次卷积后都会经过激活函数和BatchNormalization，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

4、SPP-Layer

SPP层，spatial pyramid pooling layer

网络中通常要求输入固定
SPP通用不同的池化层
再进特征拼接
只要保障输入特征固定就可以了

在这里插入图片描述
在图像处理中，有图像金字塔这个概念，就是将一个图像调整多个分辨率，对应出多个图像就是图像金字塔。对应到网络中，实际的输入大小是不确定的，如果能让网络自己能够适应，但是被全连接层限制住了，因为最后输出的分类个数是确定的。

SPP层就是将特征图分成3种，假设特征图是n * n，将其分别分为a * a、b * b、c * c个格子，其中a>b>c，然后每个格子都通过Maxpooling，最后得到a * a、b * b、c * c个特征值，再将其拼接起来，但是在这里是不涉及到特征图的个数的，所以还会乘上特征图的个数。这个过程如上图所示。