Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
|
|
4 years ago | |
|---|---|---|
| networks | 4 years ago | |
| small_data | 4 years ago | |
| Readme.md | 4 years ago | |
| dataset.py | 4 years ago | |
| losses.py | 4 years ago | |
| model_define.py | 4 years ago | |
| model_predict.py | 4 years ago | |
| solver.py | 4 years ago | |
| train.py | 4 years ago | |
操作系统:linux
显卡:1080ti
python3.7
pytroch
cuda10.0
Unet
deeplabv3
dice ce
###deeplabv3网络介绍
###对v1,v2的改进
1.提出了更通用的框架,适用于任何网络
2.复制了 ResNet 最后的 block,并级联起来
3.是改进了 v2 引入的 ASSPP,在 ASPP 中使用 BN 层,最后一点去掉了 CRF
首先是空洞卷积模块的改进,之前我们说了空洞卷积主要是对特征图做采样,扩大感受野,缩小步幅。在 v3 中我们以串行的方式来设计空洞卷积模块。
级联模块被设计的主要目的是引入 striding(步幅,或者跨步)使得更深的模块捕获长距离的信息。
其次在引入步幅之后,经过层层级联处理之后,整个图像的特征都可以汇聚到最后一张小分辨率的这张图上。但是这样也有一个不足之处,就是连续的步幅会造成细节信息的丢失,这对语义分割来说是有害的。从下边这张图我们也可以明显看到,随着步幅的增大 mIOU,也就是说平均交并比会逐渐减小,也就是说其细节信息会减小。
采用了图像级特征,具体来说,改进的 ASPP 由一个 1×1 卷积,和三个 3×3 卷积并行组成,步长为(6,12,18),输出步长为 16,我们从图中也可以看到,它是一个并行的结构。模型的最后一个特征图采用全局平均池化,将重新生成的图像级别的特征提供给带 256 个滤波器(和 BN)的 1×1 卷积,然后使用双线性插值将特征提升到所需的空间维度。我们仔细看会发现,在这个 v3 版本中 CRF 已经被去掉了,整个模型也就变得更加简单易懂。
网络代码复现
Python