当前位置：网站首页>网络模型（DeepLab， DeepLabv3）

网络模型（DeepLab， DeepLabv3）

2022-08-11 09:16:00 【渡口五十六】

参考

和之前模型的区别

1、U-net系列的应用场景是小目标，所以局部特征就足够了。但是当用来分割大目标的时候，就不太友好了。
2、为了增大感受野，传统分割算法会选择pooling，但这样会丢失一部分信息。
3、基于上述问题，DeepLab提出空洞卷积（delated convolution）增大感受野。
在这里插入图片描述

空洞卷积的优势

1、增大感受野
2、通过设置dilation rate参数完成空洞卷积，不增加额外的计算
3、可以按照参数扩大任意倍数的感受野，并且不引入额外的参数
4、应用简单，在卷积层中设置一个参数就可以了。
（可学习空洞卷积？）

SPP（图像金字塔：获取图像的多尺度（多感受野）特征）

ASPP 基于SPP使用空洞卷积

DeepLabv3 模型

在这里插入图片描述

版权声明
本文为[渡口五十六]所创，转载请带上原文链接，感谢
https://blog.csdn.net/qq_40837795/article/details/126247261

边栏推荐

猜你喜欢

随机推荐