参考

B站视频

和之前模型的区别

1、U-net系列的应用场景是小目标， 所以局部特征就足够了。但是当用来分割大目标的时候，就不太友好了。
2、为了增大感受野，传统分割算法会选择pooling，但这样会丢失一部分信息。
3、基于上述问题，DeepLab提出空洞卷积（delated convolution）增大感受野。

空洞卷积的优势

1、增大感受野
2、通过设置dilation rate参数完成空洞卷积，不增加额外的计算
3、可以按照参数扩大任意倍数的感受野， 并且不引入额外的参数
4、应用简单，在卷积层中设置一个参数就可以了。
（可学习空洞卷积？）

SPP（图像金字塔：获取图像的多尺度（多感受野）特征）

ASPP 基于SPP使用空洞卷积

DeepLabv3 模型