（17）语义分割（3）_pytorch用resnet50实现的FCN

1、主要参考

（1）博主的地址，推荐

Pytorch官方实现的FCN网络结构_哔哩哔哩_bilibili

 （2）博主的github

GitHub - WZMIAOMIAO/deep-learning-for-image-processing: deep learning for image processing including classification and object-detection etc.

（3）另外参考

【深度学习】resnet-50网络结构_何顾长安的博客-优快云博客_resnet50网络

2、主要原理 

2. 1 FCN基于resnet实现的网络结构

注意：layer3和layer4使用了膨胀卷积 

2.2 对应Resnet50的结构

(1)网络结构图

 （2）网络实现图

 2.3 Resnet50和FCN两者的对应关系

（1）两者层次的对应关系

（2）回顾一下resnet50的layer1和layer2

1）resnet50的layer1

      resnet-50的bottleneck如下，layer1共有3个bottleneck，第2个和第3个block的输入channel为256，注意下图残差结构的升维连接。

      也就是resnet50的layer1中的bottleneck重复了下图3次，其中第一次的网络输入是56*56*64，后两次网络的输入是56*56*256。

 2）resnet50的layer2

      resnet-50的layer2第1个bottleneck：identity的卷积核大小应为3x3，为了保证residual前后的shape一致，能够相加,进行了下采样，如下图所示。注意下图残差连接过程中的升维和尺寸缩小，所以s=2（下图有误）

      resnet-50的layer2第2，3，4个bottleneck都如下图所示，注意下图残差结构的直接连接，没有改变维度。

 总结，resnet50的layer2的第一个bottleneck先下采样了一次，接下来用了3个一样的bottleneck。

  （3）FCN的layer4和layer5中改变的bottleneck如下：

其中Bottleneck1的残差连接也是等深度的，不有扩充维度s=1

 

2.4 网络输出层

（1）基于resnet50的FCN网络有2个输出层，其中FCN1从layer4引出，如下所示

      注意：最后还原原图大小采用了双线性插值的方法       

（2）其中FCN2从layer3引出训练的时候用到，作用是：防止误差梯度没有办法传递到网络浅层；测试的时候不用；当然训练的时候也可以不用，如下图所示

3. python中__call__函数的使用

参考了

Python class中的__call__（）方法_I天辉I的博客-优快云博客

具体定义：python中，如果在创建class的时候写了call（）方法， 那么该class实例化出实例后， 实例名()就是调用call（）方法。

class Animal(object):
 
    __call__(self, words):
        print "Hello: ", words
 
if __name__ == "__main__":
    cat = Animal()
    cat("I am cat!")
 
>>> Hello: I am cat!