Update Readme.md

Readme.md

@@ -30,10 +30,11 @@ dice ce
 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。
+    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。
-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。
+    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。