Strip pooling图像分割涨点神器

---

前言

文章地址SPNet．源码Code，讲解这篇文章的人太多了，这边就不详细讲了．主要讲讲里面很有趣的一个点子，条状池化．将它与Resnet结合，相比之前的aspp模块，精度上要有所提升！

---

一、模型结构

图中展示的是作者文章中的一个改进点．主要是对输入的特征向量分别进行H * 1和1 * W的池化．看文章和作者的源码时发现，作者将strip pooling和ASPP结合了．一开始就觉得这样的结构模型过于复杂了，结果实际复现跑分割的代码，发现效果的确没有ASPP效果好！
因此单独将strip pooling模型拆开，将其与ResNet结合，应用到UNet分割模型中．发现效果挺好．因为用的分割数据集是自己在医院收集的，所以我猜测和数据集本身有关系，没时间在公共数据集上测试．就默认我的想法是对的吧．

二、使用步骤

1.StripPooling模块

代码如下（示例）：

class StripPooling(nn.Module):
    def __init__(self, in_channels, up_kwargs={'mode': 'bilinear', 'align_corners': True}):
        super(StripPooling, self).__init__()
        self.pool1 = nn.AdaptiveAvgPool2d((1, None))#1*W
        self.pool2 = nn.AdaptiveAvgPool2d((None, 1))#H*1
        inter_channels = int(in_channels / 4)
        self.conv1 = nn.Sequential(nn.Conv2d(in_channels, inter_channels, 1, bias=False),
                                     nn.BatchNorm2d(inter_channels),
                                     nn.ReLU(True))
        self.conv2 = nn.Sequential(nn.Conv2d(inter_channels, inter_channels, (1, 3), 1, (0, 1), bias=False),
                                     nn.BatchNorm2d(inter_channels))
        self.conv3 = nn.Sequential(nn.Conv2d(inter_channels, inter_channels, (3, 1), 1, (1, 0), bias=False),
                                     nn.BatchNorm2d(inter_channels))
        self.conv4 = nn.Sequential(nn.Conv2d(inter_channels, inter_channels, 3, 1, 1, bias=False),
                                     nn.BatchNorm2d(inter_channels),
                                     nn.ReLU(True))
        self.conv5 = nn.Sequential(nn.Conv2d(inter_channels, in_channels, 1, bias=False),
                                   nn.BatchNorm2d(in_channels))
        self._up_kwargs = up_kwargs

    def forward(self, x):
        _, _, h, w = x.size()
        x1 = self.conv1(x)
        x2 = F.interpolate(self.conv2(self.pool1(x1)), (h, w), **self._up_kwargs)#结构图的1*W的部分
        x3 = F.interpolate(self.conv3(self.pool2(x1)), (h, w), **self._up_kwargs)#结构图的H*1的部分
        x4 = self.conv4(F.relu_(x2 + x3))#结合1*W和H*1的特征
        out = self.conv5(x4)
        return F.relu_(x + out)#将输出的特征与原始输入特征结合

2.结合残差

在残差块定义好StripPooling模块，代码如下（示例）：

self.head = StripPooling(self.hidden_channels, up_kwargs={'mode': 'bilinear', 'align_corners': True})

在每个残差块后加入StripPooling模块即可！

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        x = self.head(x)
        x = self.layer2(x)
        x = self.head(x)
        x = self.layer3(x)
        x = self.head(x)
        x = self.layer4(x)
        x = self.head(x)

---

直接看分割效果：
在自己数据集上表现还是不错的！

总结

在作者源码的基础上改了一点．可能有一点点绕，代码结合结构图一起看，才能更明白一些．有任何问题欢迎私聊我！