论文阅读《Rethinking Atrous Convolution for Semantic Image Segmentation》

最新推荐文章于 2024-11-30 01:00:00 发布
最新推荐文章于 2024-11-30 01:00:00 发布
阅读量2.5k 收藏 3
点赞数 1
分类专栏： Computer Vision 计算机视觉论文研读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yaoqi_isee/article/details/75029002
版权
本文研究了空洞卷积在 Deeplab v3 中的作用，探讨了其对提高 ASPP 模块性能的贡献。论文提出在 ASPP 中加入批量归一化和全局池化来增强全局上下文信息的提取，同时对比了级联和并行网络结构的效果。实验结果显示，改进的 ASPP 结构能有效提升语义图像分割的准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Deeplab v3

1.Contribution:

这篇论文和deeplab v2相比，contribution不多，主要是在原来的ASPP模块里面加入了bn，同时引入加入了global context来提高ASPP模块的性能。

2.Related work

文章主要还是专注于图像多尺度信息的提取，作者总结了目前流行的4中多尺度信息提取的方法，如下图所示：
d1
第一种用图像金字塔作为输入；
第二种采用encoder-decoder的方式，去年的一篇FPN就是这种方式的典型代表；
第三种采用Atrous convolution的方式，利用不同的dilated rate可以提取不同scale的特征；
第四种采用SPP的方式，这个在目标检测领域比较常见，可以人为控制任意大小输入的feature map经过spatial pooling之后的特征大小

3.Methods

作者主要尝试了两种不同的网络结构：Cascade和Parallel

3.1.Going Deeper with Atrous Convolution

下图表示Cascade的结构，以resnet101为例，resnet101一共有4个block

最低0.47元/天 解锁文章
ResNet改进(10)：添加 ASPP（Atrous Spatial Pyramid Pooling）
2401_82355416的博客
03-20 223
ASPP通过空洞卷积（Atrous Convolution）在单层特征图上实现多尺度特征提取，兼顾效率和性能。ASPP（Atrous Spatial Pyramid Pooling）是一种用于语义分割的模块，旨在通过多尺度特征提取提升模型性能。空洞卷积通过在卷积核中插入“空洞”来扩大感受野，无需增加参数量或分辨率。：使用不同空洞率（如1, 6, 12, 18）的卷积层，提取多尺度特征。：将多尺度特征和全局特征拼接或相加，融合后通过1x1卷积调整通道数。：通过不同空洞率捕捉多尺度信息。
DeepLab系列 Rethinking Atrous Convolution for Semantic Image Segmentation 语义分割
万有文的博客
05-07 892
作者发现Deep Convolutional Neural Networks (DCNNs) 能够很好的处理的图像级别的分类问题，因为它具有很好的平移不变性（空间细节信息已高度抽象），但是DCNNs很难处理像素级别的分类问题，例如姿态估计和语义分割，它们需要准确的位置信息。将深度神经网络DCNN与全连接CRF结合起来，提高图像分割的分割精度。提出空洞卷积的思想。应用尝试了多尺度、多层次的信息融合。重复堆叠的池化和下采样操作导致分辨率大幅下降，位置信息丢失难以恢复。
[译]Rethinking Atrous Convolution for Semantic Image Segmentation
/home/pzl/wait的博客
07-06 1188
Abstract在本文中，我们重温一下Atrous Convolution的妙用，Atrous Convolution能在调整滤波器的感受野的的同时，解决DCNNs造成的分辨率降低的问题。同时，为了解决图像语义分割的多尺度问题，设计了很多模型，包括并行或者串行的使用不同的rate的Atrous Convolution。更进一步的提出了ASPP。接下来会详细的说明实现的具体的细节和训练过程，我们的De
【阅读笔记】《Rethinking Atrous Convolution for Semantic Image Segmentation》（DeepLab v3）
ShuqiaoS的博客
04-11 1057
本文记录了博主阅读论文《Rethinking Atrous Convolution for Semantic Image Segmentation》（DeepLab v3）的笔记，更新于2019.04.10。 文章目录AbstractIntroductionRelated WorkMethodsAtrous Convolution for Dense Feature ExtractionGoing...
【语义分割】6、DeepLabV3：Rethinking Atrous Convolution for Semantic Image Segmentation
呆呆的猫的博客
03-24 2332
文章目录一、主要思想三、代码 一、主要思想 为了提高对不同尺度目标的语义分割，作者串联或并联使用不同扩张率的空洞卷积来实现对多尺度上下文的语义信息捕捉。 Atrous Spatial Pyramid Pooling module 作者开篇抛出了两个问题： 目前的深度卷积网络虽然可以提取抽象的高层语义信息，但丢失了细节的空间信息 故本文使用了 atrous convolution 目标尺度的多样性为分割带来困难 ① 给每个金字塔层后面都接了深度卷积网络来抽取特征 ② encoder-decoder
论文阅读笔记十一：Rethinking Atrous Convolution for Semantic Image Segmentation（DeepLabv3)(CVPR2017)...
weixin_34290000的博客
10-27 169
论文链接：https://blog.youkuaiyun.com/qq_34889607/article/details/8053642 摘要 该文重新窥探空洞卷积的神秘，在语义分割领域，空洞卷积是调整卷积核感受野和DCNN feature map分辨率的有力工具。该文应用不同sample rate的空洞卷积以级联或者平行的方式来处理分割任务中的多尺寸问题。另外，增强了AS...
Rethinking Atrous Convolution for Semantic Image Segmentation读书笔记
u010213183的博客
07-04 2688
这次连续更新两篇，这篇是deeplab的作者又一新作。
Rethinking Atrous Convolution for Semantic Image Segmentation.zip
02-02
Rethinking Atrous Convolution for Semantic Image Segmentation是一项研究工作，主要针对语义图像分割领域中的一种特定卷积操作——膨胀卷积（Atrous Convolution）的重新思考和改进。在语义图像分割任务中，...
【DeepLabV3】Rethinking Atrous Convolution for Semantic Image Segmentation
OneCoder的博客
12-06 675
文章目录概述细节ChallengeOur Workresult 概述 以下主要来自其官方PPT 文中提出两个语义分割的challenges： 1、连续池化和下采样会让后面特征的分辨率下降，这对于做精细的分割是不利的。 2、多尺度目标的存在。 相对于V1、V2的改变： V3所提出的框架可以应用到任意的网络中，应该指的是主干网络。 最后的ResNet block被重用多次，被安排进行级联操...
论文阅读理解 - (Deeplab-V3)Rethinking Atrous Convolution for Semantic Image Segmentation
热门推荐
长风破浪会有时，直挂云帆济沧海
07-18 3万+
Deeplab-V3 Rethinking Atrous Convolution for Semantic Image Segmentation [Paper] [Code-TensorFlow] 摘要 DeeplabV1&V2 - 带孔卷积(atrous convolution), 能够明确地调整filters的接受野(field-of-view)，并决定DNN计算得...
论文阅读：Rethinking Atrous Convolution for Semantic Image Segmentation（DeepLabV3）
漩涡小林的博客
02-27 921
文章目录1 摘要2 存在的问题2.1 解决多尺度问题常用的四个方法2.2 空洞卷积的缺点3 亮点3.1 output_stride的影响3.2 ASPP改进4 部分结果4.1 分割的数据对比4.2 分割的效果对比5 结论5.1 优势5.2 不足6 参考资料 1 摘要 目前语义分割过程存在两个问题：① 池化层导致图像分辨率的下降； ② 图像的多尺度问题。针对这两个问题，而在DeepLabV2中，作者...
Rethinking-Atrous-Convolution-for-Semantic-Image-Segmentation-1.zip
01-20
DeepLab 官方PPT，包含deeplabv1，v2，v3的变化，有助于理解该系列网络结构变化过程，不错的学习材料
DeepLabV3(Rethinking Atrous Convolution for Semantic Image Segmentation)
Keep_Trying_Go的博客
09-14 3158
DeepLabV3(Rethinking Atrous Convolution for Semantic Image Segmentation)
DeepLabv3:《Rethinking Atrous Convolution for Semantic Image Segmentataion》
Silence的博客
03-12 4844
论文地址：https://arxiv.org/abs/1706.05587 Abstract   在这篇文章中，我们重温了atrous convolution(带孔卷积)，它可以很好的调整过滤器的感受野以及控制输出feature map的分辨率。为了解决分割中物体的多尺度，我们设计了带孔卷积的串行和并行模块来获取多尺度信息通过多个atrous rate(采样率)。另外，我们建议增加之前提出的A...
DeepLab-v3:Rethinking Atrous Convolution for Semantic Image Segmentation
makabaka的博客
01-08 362
Rethinking Atrous Convolution for Semantic Image Segmentation 目前的问题： 当前DCNN在语义分割的两个挑战： 1由连续池化操作或卷积所导致的特征分辨率降低，这使得DCNNs能够在不断增加的抽象特征表示中学习。然而，这种局部图像变换的不变性可能会妨碍密集的预测任务，因为在这些任务中需要详细的空间信息。 2另一个困难来自存在多个尺度的物体...
【语义分割—Deeplab V3】Rethinking Atrous Convolution for Semantic Image Segmentation
扬帆·启航
03-01 1870
Deeplab V1-V2都是使用带孔卷积提取密集特征来进行语义分割。但是为了解决分割对象的多尺度问题，deeplabv3设计采用多比例的带孔卷积级联或并行来捕获多尺度背景。
论文阅读——Rethinking Atrous Convolution for Semantic Image Segmentation
qq_37151108的博客
05-22 3074
论文阅读之DeepLabv3:ASPP 摘要 本文进一步利用空洞卷积用于语义分割，通过空洞卷积实现不同感受野、不同特征分辨率的控制。在ASPP基础上完成不同尺度的特征提取，详情参见在PASCAL VOC 2012的分割结果。 主要复习一下ASPP具体结构。 Section I Introduction 将DNN用于语义分割任务存在两大限制：
 （1）连续池化操作导致特征分辨率下降。在DCNN中往往需要深层次卷积学习更加抽象的高级语义特征，但却会造成空间信息的丢失，对于分类没什么影响，却不适合需要密集预测的语
DeepLabv3：Rethinking Atrous Convolution for Semantic Image Segmentation——重新思考用于语义图像分割的空洞卷积
Together_CZ的博客
11-30 1403
DeepLabv3：Rethinking Atrous Convolution for Semantic Image Segmentation——重新思考用于语义图像分割的空洞卷积
deeplabv3:Rethinking Atrous Convolution for Semantic Image Segmentation 阅读笔记
好记性不如烂笔头
02-09 418
在语义分割任务应用深度卷积神经网络有两个挑战： 一个问题是深度网络中的pooling层的使用使得特征分辨率越来越小，网络学习的特征更加抽象化，这不利于期望局部空间细节信息的密集型任务例如图像分割。因此作者建议应用空洞卷积来应对这个问题。 另一个问题是物体的多尺度。解决这个问题主要分为4类，第一类将深度网络应用于图像金字塔，以提取物体在不同尺度下的特征。第二类应用encode-decode结构，利...
Deeplabv3论文
最新发布
03-17
### DeepLabv3 论文分析 DeepLabv3 是一种基于卷积神经网络 (CNN) 的语义分割模型，其核心思想在于通过空间金字塔池化模块 (ASPP, Atrous Spatial Pyramid Pooling) 和空洞卷积来增强特征图的空间分辨率和多尺度上下文信息[^1]。 #### 主要贡献 DeepLabv3 提出了改进的 ASPP 模块，该模块利用多个不同采样率的空洞卷积捕获多尺度上下文信息。此外，它还引入了全局平均池化层以捕捉更广泛的场景级信息[^2]。 以下是 DeepLabv3 的一些关键技术点： 1. **Atrous Convolution**: 使用空洞卷积代替标准卷积，在不增加计算量的情况下扩大感受野。 2. **ASPP Module**: 结合多种采样率的空洞卷积以及全局平均池化，提取丰富的上下文信息。 3. **ResNet Backbone**: 利用 ResNet 作为基础骨干网络，并在网络末端移除下采样操作以保留更多细节信息。 #### 如何获取论文？ 可以通过以下方式下载 DeepLabv3 的研究论文： - 前往官方发布平台 ArXiv 或 Google Research 页面搜索标题：“Rethinking Atrous Convolution for Semantic Image Segmentation”。 - 在学术搜索引擎如 Google Scholar 输入关键词 “DeepLabv3”。 #### 关键代码片段 以下是 PyTorch 实现中的部分 ASPP 模块代码示例： ```python import torch.nn as nn class ASPPConv(nn.Module): def __init__(self, in_channels, out_channels, dilation): super(ASPPConv, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=dilation, dilation=dilation, bias=False) def forward(self, x): return self.conv(x) ``` 此代码定义了一个带有指定膨胀率的空洞卷积层，用于构建完整的 ASPP 模块。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值