DeepLabv3+改进18:在主干网络中添加REP_BLOCK

【DeepLabv3+改进专栏！探索语义分割新高度】
你是否在为图像分割的精度与效率发愁？
本专栏重磅推出：
✅ 独家改进策略：融合注意力机制、轻量化设计与多尺度优化
✅ 即插即用模块：ASPP+升级、解码器

PS:订阅专栏提供完整代码

论文简介

我们提出了一种通用的卷积神经网络（ConvNet）构建模块，可在不增加推理时间成本的情况下提升性能。该模块名为多样化分支块（DBB），通过结合不同尺度和复杂度的多样化分支来丰富特征空间，从而增强单个卷积的表示能力，这些分支包括卷积序列、多尺度卷积和平均池化。训练完成后，DBB 可以等效转换为单个卷积层以进行部署。与新型 ConvNet 架构的改进不同，DBB 在训练时增加了微观结构的复杂性，但保持了宏观架构不变，因此可以作为任何架构中常规卷积层的直接替代品。通过这种方式，模型可以训练到更高的性能水平，然后转换为原始的推理时间结构进行推理。DBB