任务：无限遥感图像分割

环境

操作系统:linux

显卡：1080ti

python3.7

pytroch

cuda10.0

模型

Unet

deeplabv3

损失函数

dice ce

deeplabv3网络介绍

对v1,v2的改进

1.提出了更通用的框架，适用于任何网络 2.复制了 ResNet 最后的 block，并级联起来 3.是改进了 v2 引入的 ASSPP，在 ASPP 中使用 BN 层，最后一点去掉了 CRF

首先是空洞卷积模块的改进，之前我们说了空洞卷积主要是对特征图做采样，扩大感受野，缩小步幅。在 v3 中我们以串行的方式来设计空洞卷积模块。

级联模块被设计的主要目的是引入 striding（步幅，或者跨步）使得更深的模块捕获长距离的信息。

其次在引入步幅之后，经过层层级联处理之后，整个图像的特征都可以汇聚到最后一张小分辨率的这张图上。但是这样也有一个不足之处，就是连续的步幅会造成细节信息的丢失，这对语义分割来说是有害的。从下边这张图我们也可以明显看到，随着步幅的增大 mIOU，也就是说平均交并比会逐渐减小，也就是说其细节信息会减小。

采用了图像级特征，具体来说，改进的 ASPP 由一个 1×1 卷积，和三个 3×3 卷积并行组成，步长为（6，12，18），输出步长为 16，我们从图中也可以看到，它是一个并行的结构。模型的最后一个特征图采用全局平均池化，将重新生成的图像级别的特征提供给带 256 个滤波器(和 BN)的 1×1 卷积，然后使用双线性插值将特征提升到所需的空间维度。我们仔细看会发现，在这个 v3 版本中 CRF 已经被去掉了，整个模型也就变得更加简单易懂。