我的博客

对于语义分割任务，深度神经网络通常使用空间金字塔池化模块或编码器-解码器结构。前者通过以多种速率和多种有效视野的滤波器或池化操作来探测传入特征以编码多尺度上下文信息，而后者则通过逐渐恢复空间信息来捕捉更加清晰的物体边界。在本文中，我们提出了将两种方法的优点结合起来的方法。具体而言，我们的提出的模型DeepLabv3+扩展了DeepLabv3，通过添加一个简单而有效的解码器模块来特别改善物体边界的分割结果。我们进一步探索了Xception模型，并将深度可分离卷积应用于空洞空间金字塔池化和解码器模块，从而得到了

在本工作中，我们重新审视了空洞卷积这一强大的工具，它可以明确调整过滤器的视野，以及通过深度卷积神经网络计算特征响应的分辨率。我们设计了模块来处理多尺度分割对象的问题，这些模块采用多个空洞率级联或并行地使用空洞卷积来捕获多尺度上下文。此外，我们建议利用全局上下文编码图像级特征来进一步提高我们之前提出的" Atrous Spatial Pyramid Pooling" 模块对多尺度卷积特征的探究，并进一步提高性能。我们还详细说明了实现细节，并分享了我们在训练系统方面的经验。所提出的 “DeepLabv3” 系统

深度卷积神经网络（DCNNs）最近在高级视觉任务中表现出了最新的性能，如图像分类和物体检测。这项工作将来自DCNN和概率图形模型的方法结合起来，以解决像素级分类任务（也称为“语义图像分割”）。我们证明DCNN的最终层的响应对于准确的对象分段不足够局部化。这是由于使DCNNs用于高级任务的非常不变属性所致。通过将最终DCNN层的响应与完全连接的条件随机场（CRF）相结合，我们克服了深度网络的这种劣质本地化特性。在定性上，我们的“DeepLab”系统能够定位超过以前方法的准确性水平的片段边界。