文章阅读：deeplab v3++

原文地址：deeplab v3++

概述

1. 在本文中，我们考虑了空间金字塔池模块或编码器解码器结构进行语义分割的神经网络，前者通过不同分辨率的池化特征获取丰富的上下文信息，后者能够获得清晰的对象边界。
2. 所提出的模型DeepLabv3 +包含来自编码器模块的丰富语义信息，而详细的对象边界由简单而有效的解码器模块恢复。编码器模块允许我们通过应用atrous卷积以任意分辨率提取特征。
3. DeepLabv3+主要在模型的架构上作文章，为了融合多尺度信息，其引入了语义分割常用的encoder-decoder形式。在 encoder-decoder 架构中，引入可任意控制编码器提取特征的分辨率，通过空洞卷积平衡精度和耗时。
4. 我们将Xception模型用于分段任务，并将深度可分离卷积应用于ASPP模块和解码器模块，从而产生更快更强的编码器 - 解码器网络。

model

deeplab v3+的结构图如图所示：

我们提出的DeepLabv3 +通过采用编码器解码器结构扩展了DeepLabv3。编码器模块通过在多个尺度上应用迂回卷积来编码多尺度上下文信息，而简单但有