deeplab系列总结（deeplab v1& v2 & v3 & v3+）
deeplab系列总结（deeplab v1& v2 & v3 & v3+）
Deeplab v1&v2
paper： deeplab v1 && deeplab v2
远古版本的deeplab系列，就像RCNN一样，其实了解了后面的v3和v3+就可以不太管这些了（个人拙见）。但是为了完整性和连贯性，所以读了这两篇paper。
Astrous conv
参考deeplab v2的插图。其实这个图经常可以看到，想说明什么呢？该图是一维卷积示意图。对于使用了s=2后的low resolution feature map再进行standard conv的效果和在原feature map上使用rate=2 的dilation conv是一模一样的。实际中使用s=2+standard conv和rate = 2的dilation conv仅仅是对应的感受野相同，并不是使用的像素点一样，这张图个人觉得有点障眼法的感觉。作者用了sparse/dense feature map的概念，其实就是low/high resolution feature map，直观上看起来分辨率低的当然稀疏啊。
ASPP结构
图右的结构，作者对比了单独的rate（左边结构），有不小的提升。多尺度进行dilation conv，其实RFBnet（2017 CVPR ）对SSD的改进就是参考这个思路，inception + aspp。Receptive Field Block Net for Accurate and Fast Object Detection
v2用Resnet 101作为backbone，有一定提升，v1和v2都用了CRF。关于CRF的不再赘述了，其实后面的版本都没有用这个了。训练用的poly策略。
Deeplab v3
paper： Rethinking Atrous Convolution for Semantic Image Segmentation
implementation: github
v3的创新点一是改进了ASPP模块；二是参考了图森组的Understanding Convolution for Semantic Segmentation中HDC的思想。其实就是对应纵横两种结构。backbone还是resnet 101.
论文中Fig2画了几种常见的捕获multi-scale context的方法。
（a）图像金字塔。输入图像进行尺度变换得到不同分辨率input，然后将所有尺度的图像放入CNN中得到不同尺度的分割结果，最后将不同分辨率的分割结果融合得到原始分辨率的分割结果，类似的方法为DeepMedic；
（b）编码-解码。FCN和UNet等结构；
（c）本文提出的串联结构。
（d）本文提出的Deeplab v3结构。最后两个结构右边其实还需要8×/16×的upsample，在deeplab v3+中有所体现。当然论文的Sec 4.1也有提到，下采样GT容易在反向传播中丢失细节，因此上采样feature map效果更好。
ASPP的改进
改进后的aspp长下图那个样子，多了个1*1的conv和global avg pool。关于1*1卷积，论文中3.3第一段解释的有点意思，当rate=feature map size时，dilation conv就变成了1*1 conv，所以这个1*1conv相当于rate很大的空洞卷积。此外引入了全局池化这个branch，这个思想是来源于PSPnet（参考博客）,简言之就是spp在分割上的应用，多尺度pooling。根据代码实现来看，每个branch后面都没有relu，其实有没有BN，个人觉得不是很要紧，毕竟BN是线性操作，可以合并到conv里面，论文的Sec 4.1 说明了V3的所有层是用了BN的，BN可以加速训练还有弱正则，所以一般都会用。针对ASPP，作者设计了一种“纵式”的结构，如下图fig5。
"串联"结构
如下图所示，复制conv4的结构3次，后面的每个block都有一个基准dilation Rate，在每一个block里面参考HDC的思想，又设置了[1,2,1]的rate，所以每个conv的rate = Rate*rate.在论文4.2的Multi-grid部分详细进行了解释对比。
两种方法的结构合并并不会带来提升，相比较来说，aspp的纵式结构要好一点。所以deeplab v3一般也是指aspp的结构。
Deeplab v3+
paper：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
Implementation：github
在deeplab v3中说到了需要8×/16×的upsample 最终的feature map，很明显这是一个很粗糙的做法。
v3+的创新点一是设计基于v3的decode module，二是用modify xception作为backbone。
论文中同样给出了一幅对比图，（a）是v3的纵式结构，（b）是常见的编码—解码结构，（c）是本文提出的基于deeplab v3的encode-decode结构。
论文中介绍了两种backbone，一是Resnet101，二是改进后的xception。xception效果好于resnet，所以我只关注了xception，毕竟v3+主打也是xception backbone。下面从backbone和decode来简要概括v3+的结构。
Modify Xception
具体结构参照下图。和原来的xception不一样的地方有三，一是Middle flow重复了16次，ori xception是8次，也就是用了more layers；二是pooling均换为了dw+pw+s=2，本人在很多网络也实验过，把pool换成conv或者合并到现有的卷积层，均能提高一定的map。在Entry flow中stride =16，所以训练的时候需要把Exit flow的stride=2换为rate=2的dilation conv（Middle不改变resolution）（train_os=16），因此后面的层也都是rate=2，这又导致The Gridding Effect，然而论文4.3中说明了这个地方用HDC思想并不会带来提升，因此保留了一系列的rate=2；三是在所有的dw层后面加上了BN和relu，加BN无可厚非，线性操作而已，但是重新加relu是真的玄学啊。
Decoded module
xception的输出2048维特征接到ASPP上得到256维multi-scale context feature map（一般s=16），再4×上采样，和backbone上的同分辨率的low-level feature map concat（一般是entry flow的第一个shortcut block的输出，刚好s=4）。这个时候要让low-level feature map在concat后的总特征图中占比小，因为它的语义信息太少了，所以接了1*1的低维conv，这个地方可不是为了降低计算量，关于这个conv的channel选取，论文给出了对比试验Table 1。concat后再接3*3 conv block，它的channel和block个数，论文中也进行了实验验证Table 2.最后再进行4×上采样，达到原图的分辨率。此外，作者还实验了将aspp和decode中的卷积替换为depthwise conv，mIOU没有明显降低，flops大大降低了。
本人简绘了一下deeplab v3和v3+的ASPP模块结构，如下图所示：参照我贴的重实现的代码来看，ASPP每个部分后面均有relu。
官方给出过一个PPT，内容是关于deeplab v1,2.3的主要区别，链接： https://download.csdn.net/download/dlyldxwl/10557350
————————————————
版权声明：本文为CSDN博主「Dlyldxwl」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Dlyldxwl/article/details/81148810
