Deeplab v3+ 结构的精髓：

1.继续使用ASPP结构， SPP 利用对多种比例(rates)和多种有效感受野的不同分辨率特征处理，来挖掘多尺度的上下文内容信息. 解编码结构逐步重构空间信息来更好的捕捉物体边界.

2.添加新的解码模块，重构边界信息

3.尝试使用改进的xception模块（深度可分离卷积结构depthwise separable convolution）来作为网络的骨干，减少参数量。

结构的简单对比：

与之前相比，加入了新的解码模块，逐步精确地重构物体的边界。

其中采用的Xception模块的深度可分离卷积结构如下：由DW+PW组成，参数量和运算成本低。

DeepLabV3+ 提出的解码模块，如图：

把经过ASPP以及1*1卷积之后的编码特征进行4倍上采样操作，然后拼接从主干网络中得出的相同分辨率的特征，再通过卷积以及上采样得到结果。

图中绿色圆圈的目的是，从编码过程中得到的特这个可能由多个channels，所以通过1*1的卷积降低channels数目。

改进的Xception模块：

第一个为原先的xception模块，第二个为改进的；

改进的地方：

• 采用 depthwise separable conv 来替换所有的 max-pooling 操作，以利用 atrous separable conv 来提取任意分辨率的 feature maps.
• 在每个 3×3 depthwise conv 后，添加 BN 和 ReLU，类似于 MobileNet.

参考自：https://www.aiuai.cn/aifarm132.html

Deeplab v3+的结构的理解，图像分割最新成果

原文：https://www.cnblogs.com/ywheunji/p/10506858.html