【语义分割】context module

ASPP - Atrous Spatial Pyramid Pooling

tensorflow实现：network

ASPP是deeplabv3中的核心模块。

ASPP采用三个并行的空洞卷积，空洞卷积rates = (6, 12, 18)，从而提取到多尺度的特征。

另外，为了更好融合全局上下文信息，ASPP还采用了全局平均池化（池化+BN+bilinearly upsample）

PPM - PSPNet

PPM是PSPNet中的一个核心模块，其借鉴空间金字塔池化，将Feature map分别分成1x1, 2x2 , 3x3 , 6x6的子图，然后每个子图再做平均池化；

为了保持全局特征的权重，池化后的结果再使用1x1的卷积将channel数减小为原来的1/N（N=1,2,3,6）。

最后使用双线性插值上采样到和Feature map同样大小.

PPM是一个有效的global context prior，，其融合了四个不同尺度的特征，通过different-region-based context aggregation提取global context information 。仅使用全局平均池化，可能丢失某些空间信息；PPM能够收集不同尺度的信息，更能区分多种类别。

FC attention–DFA

FC attention是DFA中的一个重要模块。增加FC attention可以使模型在参数和计算量不变的条件下，miou提升4-6%

为了更好地提取语义信息和类别信息，FC attention中的全连接层在ImageNet上预训练得到。

GCN + BR

Global Convolutional Network又名：larger kernel，通过使用大的kernel来得到比较大的感受野。

为降低计算量，GCN将kxk卷积分解为1Xk+kx1和kX1+1xk。

DFN

csSE