DeepLabv3+：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation

在 DeepLabv3 的基础上，引入解码器 (Dncoder) 提升语义分割的精度

什么是 DeepLabv3+?

• 
• 语义分割关注的 2 个问题：(1) 实例对象多尺度问题；(2) feature 分辨率下降导致预测精度降低，而造成的边界信息丢失问题。 DeepLabv3] 改进 ASPP 结构解决了问题 1，deeplab v3 + 通过编码器解决问题 2
• 在 DeepLabv3 的基础上，引入解码器 (Dncoder) 提升语义分割的精度；引深度可分离卷积提高语义分割的速度

DeepLabv3 + 的网络结构？

• 
• Encoder：(1) 带空洞卷积的 DCNN，可以采用常用的分类网络如 ResNet、Xception；(2) 基于 DeepLabv3 改进 ASPP，用于引入多尺度信息
• Decoder：其将底层特征与高层特征进一步融合，提升分割边界准确度

Deeplabv3 + 的解码器 (Dncoder) 的使用？

• 
• DeepLabv3 网络输出解码： 经改进的 ASPP 得到 C3 或 C4 的特征图，然后 1 x 1 卷积调整通道至类别数量，最后直接上采样 8 倍或 16 倍还原分辨率，这是一种非常暴力的 decoder 方法，不利于得到较精细的分割结果
• Deeplabv3 + 网络输出解码： 借鉴了 EncoderDecoder 结构，引入了新的 Decoder 模块，首先将 encoder 得到的上采样 4x 的特征，然后与 encoder 中对应大小的低级特征 concat，为了防止 encoder 得到的高级特征被弱化，先采用 1x1 卷积对低级特征进行降维，两个特征 concat 后，再采用 3x3 卷积进一步融合特征，最后再 4 x 上采样得到与原始图片相同大小的分割预测

Deeplabv3 + 论文中的空洞深度分离卷积？

• 
• 深度可分离卷积中的通道卷积改空洞卷积即可，减少计算量的同时，扩大感受野

Deeplabv3 + 如何改进 Xception?

• 
• （1）参考 MSRA (微软亚洲研究院) 的修改 ，增加了更多的层
• （2）所有的最大池化层使用 stride=2 深度可分离卷积 (depthwise separable convolution) 替换，并将其中的通道卷积 (depthwise convolution) 改空洞卷积 (Atrous convolution)
• （3）与 MobileNet 类似，在 3x3 depthwise convolution 后增批规范化 (Batch Normalization,BN) Relu