deeplab系列
前言
昨天使用UNET网络对人像进行实例分割，训练的结果已经到达理想状态，但是测试结果不尽人意。
放两张图进行对比一下。
训练20轮的结果：
测试图像结果：
而后得知，UNET最初是用作医疗行业，对于小型目标的检测，比如一个细胞等。对于大块人物效果便不太理想。所以学习DeepLab系列。
DeepLab系列
图像分割中的传统做法：
- 为了增大感受野，通常学则pooling操作。
但是这样也会丢失信息。
空洞卷积
dilated convolution
优势：
- 图像分割任务中（其他场景也适用）需要较大反首页来更好完成任务
- 通过设置 dilation rate参数来完成空洞卷积，并没有额外计算
- 可以按照参数扩大任意倍数的感受野，而且没有引入额外的参数
- 应用简单，就是卷积层中多设置一个参数就可以了
