DeepLabV3+源码链接：https://github.com/bubbliiiing/deeplabv3-plus-pytorch（打不开私信我获取）

一、简介

        一般的模型如Unet一般用于医学领域，小目标，如细胞分割。

        为了增大感受野（从而更好的获得全局特征），通常会选择pooling操作（一般就是每隔几层卷积就会进行pooling），但会丢失部分信息。

二、方法

2.1空洞卷积（dilated convolution）

        下图展示了空洞卷积的原理。左图是普通的卷积，这是紧凑的，连在一起的区域（3*3）。右边是空洞卷积，它在传统卷积的区域分割开了（5*5），从而增大感受野

通过设置dilated参数可以得到不同感受野的特征（3*3，7*7，15*15）

        图像分割任务中（除了医学领域小目标分割，其它场景也适用）需要较大感受野来完成任务。同样目标检测领域等等其他计算机视觉领域都能用到。

2.2 SPP-Layer

        假设输入图像经过了卷积层已经得到了256个特征图，第一种对其进行4*4的切分，划分为16个小方格，然后每个小方格进行maxpooling得到4*4=16个特征值，第二种进行对其进行2*2的切分，划分为4个小方格，同样进行maxpooling得到2*2=4个特征值，第三种直接全局提取特征，然后再拼上（16+4+1）*256，这就是SPP层。

        三种不同的策略，得到三种不同的特征，在拼在一起，相当于全局的也有，粗糙的也有，细节的也有，这样的特征就比较好了。保证了输出固定·

2.3 ASPP（atrous convolution SPP）

        这个其实和APP差不多，只不过引入了不同倍率的空洞卷积，如下图

三、DeepLab V3+

结构图如下：

        输入图像，先进行基础网络（这里是ResNet），再进行五种特征提取方法：①1*1卷积；②3*3卷积，并有间隔为6 的空洞卷积；③3*3卷积，并有间隔为12 的空洞卷积；④3*3卷积，并有间隔为18 的空洞卷积；⑤pooling池化；得到了5种不同的特征图，并要保持他们h，w（即长和宽）一样（利用pading进行），五个特征拼接在一起，经过1*1卷积，得到一个融合很多信息的特征。

        并有粗糙提取得到的特征（图中Low-Level Features），经过1*1卷积得到特征图，然后与上一段得到的融合很多信息的特征进行再次融合（为了保证两个特征图大小一样，这里要进行上采样，因为它已经经过多次卷积后特征图变小），再进行3*3卷积，最终再上采样得到和输入大小相同的输出结果。