语义分割之Deeplabv3源码解读

写在前面，本文的代码是基于Pytorch框架resnet101基础网络的DeepLabv3网络复现

先贴一张代码效果图：

预备知识

本文提到的output_stride来源于deeplabv3论文，指的是(输入图像的分辨率/特征图的分辨率），可以看出，output_stride越大，说明特征图越小，每个特征图网格包含的原图像素越多，越高层。【论文中resnet50对应 8, resnet101对应16】

ResNet101

ResNet101包括一个Init Block和四个stage，以及最后的Avgpool和fc。下采样了32倍。（一般的分类网络都是下采样32倍）

1.Init Block

由1个7×7的卷积层+一个maxpooling层组成，其中卷积层的stride为2，max pooling的stride=2，因此经过Init block后的输出尺寸降了4倍。 Init Block输出为64通道。

2.stage1-4

stage1-4的残差块个数依次为[3,4,23,3]

stage1
stage1由三个unit（残差单元）构成，都是1×1或3×3的小卷积，且stride都为1，因此经过stage1后的输出尺寸相对于原图还是降了4倍（与Init block的输出尺寸相同），stage1输出为256通道。
stage2
stage2由四个unit组成，其中unit1的3×3卷积核stride为2，因此，经过stage2后的输出尺寸相对于原图降了8倍，stage2输出为512通道。
stage3
stage3由23个unit组成，其中unit1的3×3卷积核stride为2，因此，经过stage3后的输出尺寸相对于原图降了16倍，stage3输出为1024通道。
stage4
stage4由三个unit组成，所有unit的3×3卷积核stride为1，因此，经过stage4后的输出尺寸相对于原图降了16倍，stage4输出为2048通道。

3. Avgpooling

平均池化层，ResNet50的Avgpooling为：

AvgPool2d(kernel_size=7, stride=1, padding=0)

因为stage4输出的特征图尺寸是7x7，此时再经过一个kernel size为7的平均池化层，输出变成了2048个1x1的特征图。

4. FC

Linear(in_features=2048, out_features=1000, bias=True)

输出向量长度为num_class（分类的数量，这里为1000），后面可以接softmax等用于分类。

Deeplabv3原理分析

backbone为ResNet101的Deeplabv3结构图【其中的backbone用到了上文提到的Resnet101中的1、2两部分】

1.Init Block

输入Image【图片大小513*513】，输出tensor维度【64, 129, 129】
经过Init Block，这里的Init Block类似于ResNet101的Init Block，但是有细微差别，这里的Init Block为三个3×3卷积和一个max pooling（ResNet的Init Block是一个7×7和一个max pooling）。经过Init block后的输出尺寸降了4倍。经过Init block后的输出尺寸降了4倍。（用output_stride=4来描述）。

2. 四个stage

4个stage分别对应的输出shape

经过stage1阶段，stage1由三个unit（残差单元）构成，且stride都为1，因此经过stage1后的输出尺寸相对于原图还是降了4倍（与Init block的输出尺寸相同）（output_stride=4） stage1输出为256通道。
经过stage2，stage2由4个unit组成，其中unit1的3×3卷积核stride为2，因此经过stage2后的输出尺寸相对于原图降了8倍（output_stride=8） stage2输出为512通道。
经过stage3，stage3由23个unit组成，其中unit1的3×3卷积核stride为2，因此经过stage3后的输出尺寸相对于原图降了16倍（output_stride=16）， stage3输出为1024通道。
经过stage4，stage4由三个unit组成，其中所有unit的rate均为2（感受野变化：3x3->7x7->15x15），因此，经过stage4后的输出尺寸相对于原图降了16倍（output_stride=16），但是感受野与原图一样大。 stage4输出为2048通道。

3. ASPP（核心模块）

ASPP的输入：stage4的输出；
ASPP的输出：output_stride=16的特征图（尺寸相当于原图降了16倍），但是感受野相当于原图。
ASPP的结构包括5个branch，第一个branch为1×1卷积，中间三个branch为空洞卷积，第五个branch为全局平局池化层+1×1卷积层。五个branch做融合得到ASPP的输出。

ASPP的具体结构包括（结合模型图一起看）：

第一个branch是普通的1×1卷积层
前二、三、四个branch为3×3的空洞卷积层，rate分别为12,24,36（output_size=8的时候，rate依次为12,24,36，如果output_size=16，rate应该依次变成6,12,18）
第五个branch论文中称为Image Pooling，是一个Avgpooling（获得全局信息）外加一个1×1卷积（改变通道数）（因为pooling无法改变通道数，而为了保证五个branch的输出通道数相等，后面必须再接一个卷积）。
五个branch的输出都是256维（一共1280维），使用1×1卷积将这五个branch输出的结果进行融合（concat），最后输出256维的新特征。

4. Final_block

Final_block的输入为：ASPP的输出；
Final_block的输出为：num_class张分割掩码结果图；
Final block包含两个卷积层和一个unsampling：

一个3×3卷积做的是concat操作（过渡作用）
一个1×1卷积，改变输出通道数为num_class。
再将num_class张特征图使用bilinear的方式插值到输入图片的尺寸(相当于直接上采样了16倍)，至此，得到了deeplabv3的输出。

插值法相关介绍

5. 关于aux_block分支

aux_block分支与Final_block分支很像，也是由两个卷积层+upsampling构成，输出的也是num_class张分割掩码图。aux分支与Final_block的区别是，aux的输入是stage3的输出（相当于从stage3后直接输出结果。）

aux分支往往只用来训练，不用于测试。

6.训练结果记录

resnet101, batchsize = 16， epoch = 50，block4，val score：

原图：

测试输出图：

另，有需要代码的小伙伴可以留下邮箱…