DeepLabV3+神经网络解析
- 论文：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
- 什么是DeeplabV3+网络
- deeplabV3+主要结构
- 主干网络（DCNN）
- 空洞卷积（膨胀卷积）
- 空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))
- 利用特征获得预测结果
- 损失函数
- 结果对比
论文：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
https://arxiv.org/pdf/1802.02611.pdf
什么是DeeplabV3+网络
该网络是于2018年提出的语义分割模型，以deeplabv3为encoder为架构，在此基础上加入了Decoder模块细化分割结果。并将Depthwise separable convolution在ASPP和Decoder上的应用，最终得到了更加强大的神经网络deeplabv3+：
Encoder：
首先图片进入Encoder里面进行特征提取，经过DCNN（深度卷积神经网络）生成两个有效特征层，分别为浅层特征层和深层特征层，浅层特征层的高和宽会大一些，而深层特征层的下采样会多一些，所以高和宽会小一些。在Encoder中，我们会使用不同膨胀率的膨胀卷积进行特征提取，其中有膨胀率分别为6,12,18的3x3卷积，用来提高网络的感受野，使得网络有不同的特征感受情况，之后将特征层进行堆叠，再经过1x1卷积进行通道数调整，获得绿色特征层。
Decoder:
由DCNN生成的浅层特征层进入到Decoder解码器中，由编码器生成的具有高语义信息的绿色特征层进入到Decoder中进行上采样，之后与较浅的特征经过1x1卷积得到的结果进行特征融合，之后经过3x3的卷积进行特征提取，最终经过上采样将输出图片与输入图片大小一致，得到预测结果。
deeplabV3+主要结构
主干网络（DCNN）
论文中采用的是Xception系列作为主干特征提取网络，但由于计算机性能问题，本人采用Mobilenetv2作为主干特征提取网络。
左边为主干部分，首先经过1x1卷积进行升维，然后利用3x3深度可分离卷积进行特征提取，然后利用1x1卷积进行降维，输入和输出直接相接。
需要注意的是，在DeeplabV3当中，一般不会5次下采样，可选的有3次下采样和4次下采样，本文使用的4次下采样。这里所提到的下采样指的是不会进行五次长和宽的压缩，通常选用三次或者四次长和宽的压缩。
在完成MobilenetV2的特征提取后，我们可以获得两个有效特征层，一个有效特征层是输入图片高和宽压缩两次的结果，一个有效特征层是输入图片高和宽压缩四次的结果。
Xception模型
整个网络具有14个模块，36个卷积。它引入了Entry/Middle/Exit三个flow，每个flow内部使用不同的重复模块，当然最最核心的属于中间不断分析、过滤特征的Middel flow。
Entry flow主要是用来不断下采样，减小空间维度；中间则是不断学习关联关系，优化特征；最终则是汇总、整理特征，用于交由FC来进行表达。
空洞卷积（膨胀卷积）
Deeplabv3+在Encoder部分引入了大量的空洞卷积，在不损失信息的情况下，增加了感受野大小，捕捉到了较大范围的信息。
一为普通卷积，也可理解为膨胀率为0的膨胀卷积。二为膨胀率为1的膨胀卷积
膨胀卷积的优点：
1、常见的图像分割算法通常使用池化层和卷积层来增加感受野(Receptive Filed),同时也缩小了特征图尺寸(resolution),然后再利用上采样还原图像尺寸,特征图缩小再放大的过程造成了精度上的损失,而膨胀卷积可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样操作
1、不做pooling损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息，
1、空洞卷积可以增大感受野,同时可以不改变图像输出特征图的尺寸
空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))
在Encoder中，我们对压缩四次的初步有效特征层经过ASPP对给定的输入以不同采样率的空洞卷积进行并行采样，相当于以多个比例捕捉图像的上下文。
在Decoder中，我们会对压缩两次的初步有效特征层利用1x1卷积调整通道数，再和空洞卷积后的有效特征层上采样的结果进行堆叠，在完成堆叠后，进行两次深度可分离卷积块。
这个时候，我们就获得了一个最终的有效特征层，它是整张图片的特征浓缩。
利用特征获得预测结果
我们可以获取输入进来的图片的特征，此时，我们需要利用特征获得预测结果。
利用特征获得预测结果的过程可以分为2步：
1、利用一个1x1卷积进行通道调整，调整成Num_Classes。
2、利用resize进行上采样使得最终输出层，宽高和输入图片一样。
损失函数
本文所使用的LOSS由两部分组成：
1、Cross Entropy Loss。
2、Dice Loss。
Cross Entropy Loss就是普通的交叉熵损失，当语义分割平台利用Softmax对像素点进行分类的时候，进行使用。
Dice loss将语义分割的评价指标作为Loss，Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]。
计算公式如下：
就是预测结果和真实结果的交乘上2，除上预测结果加上真实结果。其值在0-1之间。越大表示预测结果和真实结果重合度越大。所以Dice系数是越大越好。
如果作为LOSS的话是越小越好，所以使得Dice loss = 1 - Dice，就可以将Loss作为语义分割的损失了。
结果对比
本次训练参数如下：
epoch：40
lrate：0.1
gt
pre
