目录1.DeepLabV3的提出2.四种不同类型的全卷积网络（1）图像金字塔（Imagepyramid）（2）Encoder-decoder（3）更深的空洞卷积（4）空间金字塔池化（SpatialPyramidPooling）3.提出的第一种模型（Cascadedmodules）（1）Multi-gridMethod4.提出的第二种模型结构（AtrousSpatialPyramidPooling）

ASPP是基于空洞卷积(Dilatd/AtrousConvolution)和SPP(空间金字塔池化)的。ASPP对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。ASPP实际上是空间金字塔池的一个版本，其中的概念已经在SPPNet中描述。在ASPP中，在输入特征映射中应用不同速率的并行空洞卷积，并融合在一起。由于同一类的物体在图像中可能有不同的比例，ASPP有助于考虑

ASPP是一个模块，可以被我们放在任何地方，比如下图：来源：ASPP(Atrousspatialpyramidpooling)最早来自DeeplLabv2网络，后在DeepLabv3网络中得到改进加强，本文以DeepLabv3中的ASPP结构进行分析和源码实现。模块目的：在不改变shape即不降采样的前提下增大网络的感受野，增强网络获得多尺度上下文的能力。模块结构：一共并联四个分支，第一个分支为1

目录一、膨胀卷积的产生二、膨胀卷积的定义2.1感受野(ReceptiveFiled)2.2膨胀率/空洞率2.3例子三、膨胀卷积的的特点3.1优点3.2缺点3.3改进一、膨胀卷积的产生扩张/膨胀/空洞卷积(Dilated/AtrousConvolution)(以下统一简称膨胀卷积)最初旨在解决图像分割问题。早期多用卷积层+池化层堆叠来增加感受野(ReceptiveFiled)，但同时也缩小了特征图尺

针对语义分割(或任何密集像素预测)任务，提出了一种新的高效分割解码器——精简Atrous空间金字塔池(Lite-ReducedAtrousSpatialPyramidPooling,LR-

importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassASPP(nn.Module):def__init__(self,in_channels,out_channels):super(ASPP,self).__init__()dilations=[1,6,12,18]self.layer1=nn.Sequential(nn.Co

>>>>如果你听说过深度学习中不同种类的卷积（比如2D/3D/1x1/转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思，那么这篇文章就是为你写的

whenECCV2018what空间金字塔池模块或编码-解码器结构用于深度神经网络中解决语义分割任务。前一种网络能够通过利用多个速率和多个有效视场的过滤器或池化操作探测输入特征来编码多尺度上下文信息，而后一种网络可以通过逐渐恢复空间信息来捕获更清晰的对象边界。在这项工作中，我们建议结合两种方法的优点。具体来说，我们提出的模型DeepLabv3+通过添加一个简单而有效的解码器模块来扩展DeepLab

最新目标检测论文，从检测的骨干网络设计出发（最近基于backbone的修改，貌似更有效！同比的由SCNet），效果直接SOTA！论文地址：https://arxiv.org/pdf/2006.02334.pdf、Github地址（基于mmdet）:https://github.com/joe-siyuan-qiao/DetectoRSAbstract：一些现有的目标检测器已经证明了，通过使用两次观

一、简介SPP-Net是出自2015年发表在IEEE上的论文-《SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition》。在此之前，所有的神经网络都是需要输入固定尺寸的图片，比如224×224（ImageNet）、32×32(LenNet)、96×96等。这样对于我们希望检测各种大小的图片的时候，需要经过crop，或

如果你听说过深度学习中不同种类的卷积（比如2D/3D/1x1/转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思，那么这篇文章就是为你写的，能帮你理解它

这里有个可视化、直观的图：https://github.com/vdumoulin/conv_arithmetichttps://zhuanlan.zhihu.com/p/50369448https://www.zhihu.com/question/54149221/answer/192025860https://www.zhihu.com/question/54149221/answer/323

《Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation》论文链接：https://arxiv.org/abs/1802.02611tensorflow官方实现：https://github.com/tensorflow/models/tree/master/research/deeplab本文主要参考了C

这篇论文是对deeplabv3架构的改进，即deeplabv3+，论文原文《Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation》。这里就是记录一些关键点，比较简略，详细的内容【论文学习记录】RethinkingAtrousConvolutionforSemanticImageSegmentation已经

Abstract很多的目标检测器通过lookingandthinkingtwice的方式实现了惊人的表现。本文作者针对目标检测主干网络的设计，研究了该机制。在宏观层面，作者提出了递归特征金字塔，将来自FPN的额外的反馈连接加入到自下而上的主干层。在微观层面，作者提出了可切换的空洞卷积（SAC），它以不同的空洞率（rate）对特征进行卷积，并使用switch函数合并卷积后的结果。这样就得到了Dete

针对的问题：在语义分割任务应用深度卷积神经网络有两个挑战：一个问题是深度网络中的pooling层的使用使得特征分辨率越来越小，网络学习的特征更加抽象化，这不利于期望局部空间细节信息的密集型任务例如图像分割。因此作者建议应用空洞卷积来应对这个问题。另一个问题是物体的多尺度。解决这个问题主要分为4类，第一类将深度网络应用于图像金字塔，以提取物体在不同尺度下的特征。第二类应用encode-decode结

文章目录1、论文总述2、RFP模块的具体实现3、SAC模块的具体实现4、AblationStudies1、论文总述本篇论文提出的目标检测模型DetectoRS在COCO数据集上的性能是当前最好（mAP：54.7），在实例分割和全景分割上效果也不错，主要是因为提出的改进方法是基于backbone和FPN的，适用于多种视觉任务，其他次优模型如：ResNeSt，CBnet也是基于backbone的改进，

DeepLab:SemanticImageSegmentationwithDeepConvolutionalNets,AtrousConvolution,andFullyConnectedCRFsPAMICode:http://liangchiehchen.com/projects/DeepLab.html本文针对深度卷积模型用于语义分割存在的三个问题分别提出对应的解决方法。问题1：reduced

SSD论文里提到SimilartoDeepLab-LargeFOV,weconvertfc6andfc7toconvolutionallayers,subsampleparametersfromfc6andfc7,changepool5from2x2-s2to3x3-s1,andusethe`atrousalgorithmtofillthe“holes”.这样做之后可以让pool5的feature

cropsize需要注意的地方;pythondeeplab/train.py\--logtostderr\--train_split="train"\--model_variant="xception_65"\--atrous_rates

论文笔记–deeplabv3–RethinkingAtrousConvolutionforSemanticImageSegmentation文章地址：https://arxiv.org/abs/1706.05587项目地址：https://github.com/NanqingD/DeepLabV3-Tensorflow本篇文章作为使用空洞卷积解决语义分割全局context信息与局部spatial信

参考官网：https://github.com/weiliu89/caffe/tree/ssd1、下载VGGNet网络下载地址：fullyconvolutionalreduced(atrous)VGGNet

源/机器之心详细内容请点击阅读原文如果你听说过深度学习中不同种类的卷积（比如2D/3D/1x1/转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思

Abstract在本文中，我们重温一下AtrousConvolution的妙用，AtrousConvolution能在调整滤波器的感受野的的同时，解决DCNNs造成的分辨率降低的问题。同时，为了解决图像语义分割的多尺度问题，设计了很多模型，包括并行或者串行的使用不同的rate的AtrousConvolution。更进一步的提出了ASPP。接下来会详细的说明实现的具体的细节和训练过程，我们的Deep

如果你听说过深度学习中不同种类的卷积（比如2D/3D/1x1/转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思，那么这篇文章就是为你写的，能帮你理解它们实际的工作方式

Multi-ScaleFeatureMapsPrediction）2.2.2、根据不同尺度的特征图进行定制不同尺度的默认边界框2.2.3、使用3x3的小卷积核进行预测分类结果和边界框的信息2.2.4、多任务损失函数2.2.5、带孔卷积（Atrous

Deeplab-V3RethinkingAtrousConvolutionforSemanticImageSegmentation[Paper][Code-TensorFlow]摘要DeeplabV1&V2-带孔卷积(atrousconvolution),能够明确地调整filters的接受野(field-of-view)，并决定DNN计算得到特征的分辨率；DeeplabV3-多尺度(multipl

作者信息第一作者SiyuanQiao目前是约翰霍普金斯大学的博士生，第二作者是著名的DeepLab系列算法的主要作者、谷歌公司的研究员Liang-ChiehChen。在COCO数据集的实例分割和全景分割任务中，DetectoRS，成为当前目标检测、语义分割和全景分割领域的全能者。介绍在本文中，作者探索了用于目标检测的主干设计中的这种机制。在宏级别提出了递归特征金字塔，它结合了从特征金字塔网络到自下

cpuFPScpudevicegpudevicegpuFPSgpuMemgpuutilinputdatamAP5i76700kGTX108062482M48%304x304x30.8772.车辆6类mxnet_SSD_300_vgg16_atrous

实验环境：tensorflow版本1.2.0，python2.7介绍关于空洞卷积的理论可以查看以下链接，这里我们不详细讲理论：1.LongJ,ShelhamerE,DarrellT,etal.Fullyconvolutionalnetworksforsemanticsegmentation[C].ComputerVisionandPatternRecognition,2015.2.Yu,Fishe

Abstract用DL做semanticimagesegmentation，本文有threemaincontributions:atrousconvolution：提高featuremap的分辨率，不增加参数的前提下增大感受野。AtrousSpatialPyramidPooling(ASPP)：来对不同的尺度做分割.提高了效果。CRF：进一步提升localization的性能INTRODUCTIO

【SemanticSegmentation】语义分割综述--AtrousConvolutionAtrousConvolution[DeepLabV2]SemanticImageSegmentationwithDeepConvolutionalNets,AtrousConvolution,andFullyConnectedCRFs2016[ASPP]atrousspatialpyramidpooli

训练信息：训练模式：分布式训练Teslap100*42分类配置模板：mask_rcnn_resnet101_atrous_coco_2018_01_28/pipeline.config使用预训练模型训练步数

优点：在不做pooling损失信息和相同的计算条件下的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。空洞卷积经常用在实时图像分割中。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑空洞卷积。空洞卷积（dilatedconvolution）是针对图像语义分割问题中下采样会降低图像分辨率、丢失信息而提出的一种卷积思路。利用添加空洞扩大感受野，让原本3x3的卷积

Atrous（Dilated）Atrous，也叫convolutionwithholes（空洞卷积或扩张卷积），和pooling相比，atrousconvolution也是下采样，只是采样的位置是固定的

DilatedConvolution(或者叫做AtrousConvolution),中文称作空洞卷积/带孔卷积/扩张卷积/膨胀卷积/多孔卷积.这些名称指的都是同一个意思,都是同一种操作.出处Multi-ScaleContextAggregationbyDilatedConvolutions为什么需要空洞卷积在出现空洞卷积之前的CNN分割网络中,习惯于使用Pooling的方式降低图像的尺寸,同时增大

ASPP：AtrousSpatialPyramidPoolingdeeplabv2中的aspp如上图所示，在特征顶部映射图使用了四中不同采样率的空洞卷积。这表明以不同尺度采样时有效的，在Deeolabv3中向ASPP中添加了BN层。不同采样率的空洞卷积可以有效捕获多尺度信息，但会发现随着采样率的增加，滤波器有效权重（权重有效的应用在特征区域，而不是填充0）逐渐变小。如下图当我们以不同采样率的3*3

TensorFlow实现卷积、反卷积和空洞卷积TensorFlow已经实现了卷积（tf.nn.conv2d卷积函数），反卷积（tf.nn.conv2d_transpose反卷积函数）以及空洞卷积（tf.nn.atrous_conv2d

这个卷积核就为5*5图2而在deeplabv2中部分代码如下：#Block5h1=ZeroPadding2D(padding=(2,2))(h)h2=AtrousConvolution2D(512,3,3,atrous_rat

google出品，deeplabv3+，在v3的基础上添加了decoder模块，以此来改进算法，在性能上有0.8%的提升。写的蛮不错的，做了很多实验来论证，insight也很清楚，motivation也讲得很明白。给作者笔芯芯。

在这里我们都知道感受野的含义，同时也知道带孔卷积是为了在不缩小featuremap的大小的同时保持感受野大小不变，在这里我们要明确的说明感受野大小不变是怎么达到的，我们已一个3layer的net来进行说明：rate是为了layer能够保证原有的感受野,所以rate的决定是由上一层的stride（stride>1的一个作用就是增大下层的感受野）rate的计算方式是rate*=stride，rate的

原文链接：点击打开链接1SSD基础原理1.1SSD网络结构SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在VGG-16基础网络上填加的特征提取层。

一、空洞卷积（以下信息来自TensorFlow和Google翻译）  Computesa2-Datrousconvolution,alsoknownasconvolutionwithholesordilatedconvolution,given4-D`value`and`filters`tensors.Ifthe`rate`parameterisequaltoone,itperformsregul

一、空洞卷积（以下信息来自TensorFlow和Google翻译）  Computesa2-Datrousconvolution,alsoknownasconvolutionwithholesordilatedconvolution,given4-D`value`and`filters`tensors.Ifthe`rate`parameterisequaltoone,itperformsregul

三个贡献：1.使用上采样滤波器和Atrous卷积，Atrous卷积可以控制深度卷积神经网络中特征分辨率，能够有效扩大过滤器的视野范围，以便在不增加参数数量或计算量的情况下结合更大的上下文。

流程与使用SSD大致相同数据集生成train.record和test.record然后在training文件夹下创建faster_rcnn_inception_resnet_v2_atrous_coco.config

空洞卷积（atrousconvolutions）又名扩张卷积（dilatedconvolutions），向卷积层引入了一个称为“扩张率(dilationrate)”的新参数，该参数定义了卷积核处理数据时各值的间距。过程如图：卷积核为3、扩张率为2和无边界扩充的二维空洞卷积一个扩张率为2的3×3卷积核，感受野与5×5的卷积核相同，而且仅需要9个参数。你可以把它想象成一个5×5的卷积核，每隔一行或一列

转载地址：https://www.cnblogs.com/fariver/p/7347197.html1SSD基础原理1.1SSD网络结构SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在

论文地址：https://arxiv.org/pdf/1802.02611.pdf源码地址：TENSORFLOW语意分割相关，Deeplab3+看了几篇Deeplab的文章。觉得Deeplab的文章的思想还是很相近的，可能方法的创新上不是非常重大的突破。但是方法的应用上都是非常的...嗯，集大成的。通过实验的方式去探索各种方法的结合。探究每一个因素对于网络的影响，从而把前人的精髓都集成到自己的方法

摘要引言相关工作方法带孔卷积提取精细特征深入了解带孔卷积多网格方法带孔空间金字塔池化实验验证训练规定深入带孔卷积带孔空间金字塔池化总结摘要本文中，我们再次讨论带孔卷积，一个调整卷积核感受野的强大工具，并且可以控制深度卷积神经网络计算得到特征的分辨率，应用在图像语义分割上。为了处理在多尺度条件下的语义分割难题，我们设计了串行和并行的带孔卷积模块，采用多种不同的孔洞步长来获取多尺度的内容信息。除此之外