本文详细介绍了Deeplab V3和V3+在语义分割领域的改进，包括串行和并行空洞卷积结构、ResNet的修改、条件随机场的去除、学习率策略以及编码-解码结构的引入。通过实验对比，展示了网络复杂度与数据处理对效果的影响，并探讨了不同解码器和编码器配置的选择。文章还提及了深度可分离卷积和相关参数设置，最后提出了对DCNN部分的进一步研究兴趣。
前言：
{
Deeplab目前最新的版本是V3+，这个系列一直都有不错的语义分割表现，所以这一次我还是选择了它来了解一下。
论文地址：https://arxiv.org/pdf/1706.05587v1.pdf（Deeplab V3）；和https://arxiv.org/pdf/1802.02611.pdf（Deeplab V3+）
}
正文：
{
Deeplab V3：
{
在第一节，作者介绍了4种解决目标多尺度问题的结构，如图2。
第三节介绍了主要的改动。
串行的空洞卷积模型变得更深了，如图3。
并行的空洞卷积模型如图5。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
