点击关注公众号，技术干货及时送达
写在前面❝Hello，大家好，我是小苏👦🏽👦🏽👦🏽
❞
在上一节，我已经为大家介绍了DeepLabV1的原理，还不清楚的赶快点击（https://juejin.cn/post/7254863133113892919）了解详情。🍍🍍🍍那么这篇就和大家唠唠DeepLabV1的兄弟篇——DeepLabV2。其实呢，你要是清楚DeepLabV1的话，那么DeepLabV2对你来说就是小菜一碟了，改进点是比较少也比较好理解的。话不多说，让我们一起走进DeepLabV2的世界叭~~~🚖🚖🚖
❝论文链接：DeepLabV2论文🍵🍵🍵
❞
语义分割存在的挑战
是不是发现和DeepLabV1博客的结构很像呢，在V2论文的INTRODUCTION中也首先提出了DCNN应用于语义分割的三个挑战，如下图所示：
image-20230712212448984翻译一下：
熟悉，熟悉，实在是太熟悉了，大家一定会有这样的感受。确实如此，这和DeepLabV1的挑战几乎一致，就多了一个第2点，而且其实在DeepLabV1中也使用到了多尺度的方法，不记得的大家可以点击☞☞☞去瞅一眼。🍖🍖🍖
DeepLabV2网络优势
image-20230712213431978- 速度更快:借助atrous算法（空洞卷积算法），密集的DCNN在NVidia Titan X GPU上以8帧/秒的速度运行。
- 准确性更高:我们在几个具有挑战性的数据集上获得了最新的结果，包括PASCAL VOC 2012语义分割基准、PASCAL- context、PASCALPerson-Part和cityscape。
- 模型结构简单:我们的系统由两个非常完善的模块级联组成，即DCNN和CRF。
我想大家又发现了，这个和DeepLab的表述几乎是一样的。🥗🥗🥗
大家通过上面两个小节我想应该会发现，DeepLabV1和DeepLabV2似乎存在很多相似之处，在后文DeepLabV2的网络结构中我会挑一些重点为大家讲解，其实也没几个，先给大家透个底叭，V2较V1主要做了如下改变：
后面我也将主要从这三个方面为大家展开叙述~~~🍻🍻🍻
DeepLabV2网络结构
前文提到DeepLabV2较DeepLabV1主要添加了ASPP结构、修改了backbone及设计了poly学习率更新策略，其实呢，论文中还做了一些其它的小改进，这里就不一一阐述了。比如对CRF的二元势函数进行了更新，但是呢，由于我在V1中就没有介绍CRF，所以这里也就不介绍啦，感兴趣的去看看论文叭。🍚🍚🍚
ASPP结构
先来说说这个ASPP的全称叭，即atrous spatial pyramid pooling，翻译过来的话叫空洞空间金字塔池化【蹩脚的翻译，勿喷🤐🤐🤐】。下图为ASPP模块的结构示意图：
从上图可以看到ASPP模块是在输出的特征图上并联了四个分支，每个分支上采用了卷积核大小为3×3、膨胀系数依次为6、12、18、24的空洞卷积，以此实现每个分支具有不同的感受野大小，也就具有了解决目标多尺度问题的能力。🏆🏆🏆
大家还记得在DeepLabV1中提到的LargeFOV结构吗，不记得的话点击☞☞☞去了解下叭。🍄🍄🍄那么在DeepLabV2中就没有使用LargeFOV结构了喔，而是用的ASPP结构。其实通过上图你可能就会发现ASPP就像是在LargeFOV的基础上多并联了几个分支，即增加了多尺度信息，所以有了ASPP就用不着LargeFOV模块啦。🥗🥗🥗当然了，V2的论文中也给出了LargeFOV和ASPP的详细结构，如下图所示：
这个图已经非常清晰的展示了ASPP的结构了，但有一点需要大家注意一下，即上图这两个结构都是基于backbone为VGG16绘制的【DeepLabV2中将backbone换成了resnet】，但是不管采用哪种backbone，ASPP结构的核心思想都是一样的，这里稍微来谈谈以resnet为backbone的ASPP结构是什么样的，如下图所示：
image-20230714155203530我想大家一对比很容易就看出来了，此时每个分支都少了后面两层结构，这里大家注意一下就好。🍗🍗🍗
最后在给大家展示一下采用了ASPP的效果，如下图所示：
image-20230714160039769其中，ASPP-S表示并联的四个分支采用的膨胀系数r依次为2、4、8、12；ASPP-L表示并联的四个分支采用的膨胀系数r依次为6、12、18、24；🌼🌼🌼
修改backbone
呀呀呀，在上一小节已经透露了，DeepLabV2使用的backbone为resnet，这可以说是最常见的一种网络了，是由咱们中国人何恺明大佬提出的，还不清楚的快点击☞☞☞学起来叭。这里为方便读者阅读，贴出resnet的相关参数，如下图：【以resnet101为例】
DeepLabV2在Layer2层之前的结构和resnet101是完全一致的，经过Layer2层后，图像已经下采样了8倍，和V1一样，现在不希望再过度的下采样导致丢失大量信息了，因此在Layer3和Layer4层不再进行下采样，同样采用空洞卷积来弥补不进行下采样减少的感受野，DeepLab的网络结构如下图所示：
image-20230714162842189 图片来自B站霹雳吧啦Wz
其中，Layer3、Layer4的详细结构如下：
image-20230714162926694 图片来自B站霹雳吧啦Wz
可以看到，在经过Layer4层后，特征图的下采样倍数仍然是8，大小为。然后就会接入上文提及的ASPP结构，即并联一个膨胀系数分别为6、12、18、24的空洞卷积，注意一下这里的空洞卷积的卷积核个数都为number_class。🍵🍵🍵
设计poly学习率更新策略
在DeepLabV2中，作者设计了poly学习率更新策略，其公式如下：
其中power是一个超参，默认为0.9。为初始学习率，为当前迭代的step数，为训练过程中总的迭代步数。poly策略的变化曲线大致如下图所示：
这样的策略会给实验效果带来多大的影响呢，如下表所示：
image-20230714165920525震惊，有没有，直接提了3个多点，什么时候我也能成为炼丹大师。🍋🍋🍋
DeepLabV2实验对比
在V2中，作者在PASCAL VOC 2012语义分割基准数据集、PASCAL- context、PASCALPerson-Part和cityscape四个数据集上做了实验，下面分别展示一下。
❝「PASCAL VOC 2012语义分割基准数据集」🔒🔒🔒
image-20230714170928246
image-20230714171109985❞
❝「PASCAL- context」🔒🔒🔒
image-20230714171204847
image-20230714171218952❞
❝「PASCALPerson-Part」🔒🔒🔒
image-20230714171252473
image-20230714171314054❞
❝「cityscape」🔒🔒🔒
image-20230714171334661
image-20230714171353126❞
小结
好啦，DeepLabV2就为大家介绍到这里了，是不是非常简单腻，下一节将为大家带来DeepLabV3的原理和代码了喔，让我们一起加油叭！！！🌱🌱🌱
参考链接
❝DeepLabV2网络简析🍁🍁🍁
DeepLabV2论文🍁🍁🍁
[论文笔记] DeepLabv2🍁🍁🍁
❞
