deeplab v3论文精读
1.abstract
deeplab v3采用级联或并行空洞卷积的模块,采用多尺度空洞率来捕获多尺度上下文。此外,对deeplab v2提出的空间空间金字塔池模块进行改进,该模块在多个尺度上探测卷积特征,获得全局上下文的图像级特征编码,并进一步提高性能。提出的“DeepLabv3”系统比之前没有DenseCRF后处理的DeepLab版本有了显著的改进
deeplab各个版本之间并没有太大的创新
2.Introduction
作者重新应用了无效卷积,能够有效地在滤波器模块和空间金字塔池的框架下,扩大滤波器的感受野,以纳入多尺度上下文。特别地,新提出的模块由具有各种空洞率的空洞卷积和批处理归一化层组成 。
作者实验设计了级联或并行的模块(具体来说,空间空间金字塔池(ASPP)方法[11])。讨论了应用极大的空洞率的3×3空洞卷积时的一个重要实际问题,由于图像边界效应无法捕获远程信息,有效地退化为1×1卷积,并提出将图像级特征合并到ASPP模块中。
3. Methods
作者首先探索设计在级联中布局的无性卷积的模块。具体来说,复制了最后一个ResNet块的几个副本,在图3中表示为块4,并将它们排列为级联。在这些块中有三个3×3卷积,最后一个卷积包含步2,将步长改为1,不进行下采样,并引入空洞卷积。最后得到的特征图为下采样16倍的特征图
3.2.1 Multi-grid Method
基于多网格方法,采用不同大小的网格层次,提出的模型中采用区块4和区块7的不同的膨胀率。特别地,将从第4块到第7块内的三个卷积层的单元速率定义为Multi Grid =(r1,r2,r3)。卷积层的最终膨胀速率等于单位速率和相应速率的乘法。例如,当输出步幅= 16和Multi Grid =(1、2、4)时,三个卷积将在块4中分别具有速率=2·(1、2、4)=(2、4、8)。
不同空洞率的ASPP有效地捕获多尺度信息。然而,随着采样率的增大,有效过滤器权值的数量(即应用于有效特征区域的权值,而不是填充零)变小。当对具有不同膨胀率的65×65特征图应用3×3滤波器时,这种效果如图4所示。在速率值接近特征图大小的极端情况下,3×3滤波器不是捕获整个图像上下文,而是退化为一个简单的1×1滤波器,因为只有中心滤波器的权重是有效的。
为了克服这个问题,并将全局上下文信息合并到模型中,在模型的最后一个特征图上应用全局平均池化,将得到的图像级特征与256个滤波器进行1×1卷积(以及批归一化[38]),然后将特征向上采样到所需的空间维度。最后,改进的ASPP包括(a)一个1×1卷积和三个3×3卷积,特征图下采样16倍时空洞率=(6,12,18)(均有256个滤波器和批归一化),(b)为图像级特征,如图5所示。请注意,当下采样8倍时,空洞率是两倍。然后,来自所有分支的结果特征被连接起来,并通过另一个1×1卷积(也有256个过滤器和批标准化),然后在最终的1×1卷积生成最终的分数。
4. Experimental Evaluation
4.1. Training Protocol
Learning rate policy: 指数调度
power=0.9
Batch normalization: 在ResNet之上添加的模块都包括批处理归一化参数[38],由于需要较大的批大小来训练批归一化参数,因此作者使用输出步幅= 16,并计算批大小为16的批归一化统计量。用衰减= 0.9997训练批处理归一化参数。在30K迭代和初始学习率= 0.007训练后,我们冻结批归一化参数,采用输出步幅=8,在帕斯卡VOC 2012训练集上训练,进行30K迭代和更小的基础学习率= 0.001。
Upsampling logits: 当输出步幅=8时,训练期间特征图被降采样8。并对最终的特征图进行上采样
Data augmentation: 作者通过在训练期间随机缩放输入图像(从0.5到2.0)和随机左右翻转来应用数据增强。
4.2. Going Deeper with Atrous Convolution
ResNet-50: 在输出步幅=256(,由于严重的信号抽取,性能很差。当输出步幅变大并相应地应用空洞卷积时,性能从20.29%提高到75.18%
ResNet-50 vs. ResNet-101:
Multi-grid: 最好的模型是使用了第7块和(r1、r2、r3)=(1、2、1)的情况。
Inference strategy on val set: 采用多尺度输入,scales = {0.5, 0.75, 1.0, 1.25, 1.5, 1.75}
ASPP:
deeplab v3论文精读相关推荐
- deeplab v3+论文精读
论文地址:https://arxiv.org/pdf/1802.02611.pdf tensorflow代码:https: //github.com/tensorflow/models/tree/ma ...
- DeepLab v2论文精读
相较于Deeplab v1改进措施就是将VGG16改为resnet 101,并且引入了ASPP层 1 INTRODUCTION 挑战1: DCNN最初是为图像分类设计的,进行了不断的下采样.当DCNN ...
- 关于「Xception」和「DeepLab V3+」的那些事
作者丨崔权 学校丨早稻田大学硕士生 研究方向丨深度学习,计算机视觉 知乎专栏丨サイ桑的炼丹炉 前言 最近读了 Xception [1] 和 DeepLab V3+ [2] 的论文,觉得有必要总结一下这 ...
- [深度学习从入门到女装]DeepLab v3
DeepLab v3 论文地址:Rethinking Atrous Convolution for Semantic Image Segmentation 1.相比于DeepLab v2,有一点改进就 ...
- DL之DeepLabv3:DeepLab v3和DeepLab v3+算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DeepLabv3:DeepLab v3和DeepLab v3+算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 目录 DeepLab v3和DeepLab v3+算法的简介(论文 ...
- 深度学习论文精读[10]:Deeplab v1
在语义分割发展早期,一些研究观点认为将CNN用于图像分割主要存在两个问题:一个是下采样导致的信息丢失问题,另一个则是CNN的空间不变性问题,这与CNN本身的特性有关,这种空间不变性有利于图像分类但却不 ...
- DeepLab v3+为啥可以封神?(论文讲解含超详细注解+中英文对照+配图)
开始前,博主请求大家一定要看注解,博主的努力全在注解里,有帮助的记得一键三连呀! Encoder-Decoder with Atrous Separable Convolution for Seman ...
- deeplab v3+---Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
一.摘要: 1.spp是什么? 问题:分割 我们提出了什么: 1.deeplab v3+ 在deeplab v3的基础上加了一个简单的decoder模块来改善分割结果,尤其是对于边界区域 2.我们采用 ...
- 李沐论文精读系列四:CLIP和改进工作串讲(LSeg、GroupViT、VLiD、 GLIPv1、 GLIPv2、CLIPasso)
文章目录 一.CLIP 1.1 简介 1.1.1 前言 1.1.2 模型结构 1.1.3 模型效果 1.1.3.1 对自然分布偏移的鲁棒性 1.1.3.2 StyleCLIP 1.1.3.3 CLIP ...
最新文章
- 【玩转电饭煲】不用烤箱,电饭煲也能做出美的蛋糕
- NIO Socket编程实例
- Swift 反射Mirror的使用
- scala语言的底层是java实现的_Scala学习笔记一(与Java、Jvm的关系以及程序执行流程分析)...
- spring cloud整合OpenFeign
- Laravel 超好用代码提示工具 Laravel IDE Helper
- 聚类算法-K均值(K-means)
- android 9视频播放器,通用视频播放器Android版本9.10.18下载
- Elasticsearch之近义词/同义词的使用
- 安卓socket客户端
- 网络广告中ctr是什么意思
- 微信公众号开发 入手
- 【2022-05-31】JS逆向之易企秀
- Python tkinter库:简易画板(笔、直线、矩形、圆形和橡皮擦工具+导入、保存、撤销、清屏功能)
- linux 访问外网设置von,如何配置Linux服务器,才能远程访问Xwindow呢?
- js判断浏览器是否运行或安装flash
- Oracle (1) :服务端和客户端的安装与配置
- 10.HTML基础——表格标签
- 如何用计算机打出下山,登山怎么正确下山
- dotNetFx40_Client_x86_x64和dotNetFx40_Full_x86_x64这两个有什么区别?两个都要安装还是安装其中一个?...
热门文章
- linux 硬盘格式化工具 的使用
- C语言实现LDPC的校验矩阵,LDPC码及其译码实现….doc
- does not have write access to 'C:\WINDOWS\Microsoft.NET\Framework\v4.0.30319\Temporary ASP.NET File
- 移动端 input 调用手机键盘搜索功能
- 使用pcb-tools解码Gerber文件报错IndexError: list index out of range
- 君澜入驻上饶,打造动物主题休闲度假体验
- 力扣-594-最长和谐子序列-map 《count》
- QT 多语言 字库 编码 文字方向相关问题
- Aha!设计模式(21)-工厂方法(2)
- autoCAD 设置 AutoCAD 系统配置