（22）语义分割--LR-ASPP

论文地址：https://arxiv.org/abs/1905.02244、 摘要 我们提出了基于互补搜索技术的组合以及一个新颖的架构设计的下一代移动网络。MobileNetV3通过结合NetAdapt算法补充的硬件网络架构搜索(NAS)调整到移动电话cpu上，随后通过新的架构进步进行了改进。本文开始探索如何自动搜索算法和网络设计可以一起工作，利用互补的方法来改善整体的艺术状态。通过这个过程，我们为发布创建了两个新的MobileNet模型:MobileNetV3-Large和MobileNetV3-Smal

MobileNet v3、轻量化、16倍下采样、膨胀卷积、ASPP、SE

Backbone 不再进行 32 倍下采样，而是仅进行 16 倍下采样Backbone 中最后的几个 BottleNet 中使用膨胀卷积在一般的语义分割任务，Backbone 通常会进行 8 倍下采样，而 MobileNet v3 LR-ASPP 为了使模型更加轻量化，于是进行了 16 倍 下采样分割头（Segmentation Head），也就是 LR-ASPP。在 Backbone 输出上分成了两个分支，如上图所示：第一个分支。

Hello，大家好，我是小苏👦🏽👦🏽👦🏽在之前我为大家介绍过DeepLab系列的三篇文章，大家还记得嘛，不记得的可以点击下面链接看一看喔。✨✨✨深度学习语义分割篇——DeepLabV1原理详解篇🍁🍁🍁深度学习语义分割篇——DeepLabV2原理详解篇🍁🍁🍁深度学习语义分割篇——DeeplabV3原理详解+源码实战🍁🍁🍁今天为大家带来的同样也是语义分割网络——LR-ASPP，本文会结合源码为大家介绍LR-ASPP的结构，让大家对其有一个更加清晰的认识。兄弟萌，准备好了嘛，我要开始发车了喔~~~🚖🚖🚖。

语义分割 LR-ASPP网络学习笔记 （附代码）

图像分割中语义分割算法的理论梳理，主要针对算法的演化思路以及涉及到的专有名词（如转置卷积、膨胀卷积、mean IoU等)进行总结，想要对语义分割算法有一个框架式、全局掌握的小伙伴可以来看一眼。

https://blog.csdn.net/qq_40714949/article/details/112514163

尽管现在Transformer的时代，但之前一些经典的语义分割架构还是用这篇blog记录一下，图片参考来源b站up：霹雳吧啦Wz。 文章目录1. 网络结构1.1 FCN1.2 Deeplabv11.3 Deeplabv21.4 Deeplabv31.5 UNet1.6 LR-ASPP2. 评价指标 1. 网络结构 1.1 FCN FCN-32S FCN-16S FCN-8S 1.2 Deeplabv1 1.3 Deeplabv2 1.4 Deeplabv3 1.5 UNet 1.6 LR

MobileNetV3 主要贡献 Complementary search techniques（主要针对神经网络搜索的NetAdapt算法，修改了优化目标，原始论文最小化accuracy change，当前论文最小化latency change 与accuracy change的比值） New efficient versions of nonlinearties practical （这部分主要解决非线性映射函数swish x=x⋅σ(x)swish\ x=x \cdot \sigma (x

这篇文章是作者根据 B 站 霹雳吧啦Wz 的 《 LR-ASPP 源码解析 (Pytorch) 》系列所作的学习笔记，主要对 train.py、lraspp_model.py 文件进行具体讲解。作者小白，请多包涵！

今年做的布料瑕疵检测项目，其中一个需求是准确识别布料边缘。之前只针对白色布料，使用opencv进行边缘检测，也够用了，随着布料颜色越来越多样，采集图片的光源环境越来越多变，opencv边缘检测模块已经不能满足需求。同事建议我试试语义分割模型的效果，并推荐了一个轻量级模型：LRASPP_MobileNetV3。这篇文章用来记录使用LRASPP_MobileNetV3训练自己的分割数据集的实战过程。从环境搭建、数据准备、模型训练、再到导出trt模型和测试，方便日后查阅。

ASPP 空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。 上图为deeplab v2的ASPP模块，deeplabv3中向ASPP中添加了BN层，其中空洞卷积的rate的意思是在普通卷积的基础上，相邻权重之间的间隔为rate-1, 普通卷积的rate默认为1，所以...

MobileNetV3  谷歌在2019年5月在arxiv上公开了MobileNetV3的论文，原论文见 Searching for MobileNetV3。  下面先对论文做一个简单的翻译： 摘要  我们展示了基于互补搜索技术和新颖架构设计相结合的下一代MobileNet。MobileNetV3通过结合硬件感知的网络架构搜索(NAS)和NetAdapt算法对移动手机的cpu进行调优，然后通过新...