分割网络： (骨干网络) (ResNet（2015）(残差网络))（加深网络深度）Deeplab V2（2016） ：(空洞卷积)(atrous)扩大感受野大，采用ASPP空洞空间金字塔池化，实现多尺度融合 。
VGG16（2014）: 三个3x3卷积核代替一个7x7的。
FCN（2015） ： 反卷积，跳跃连接，全卷积化
PSPNet（2016）：ResNet+金字塔池化模块(整合上下文信息)
常用技术：
CRF： 迭代细化结果;
条件随机场CRF尝试找到图像像素之间的关系 : 相近的像素大概率为同一标签；CRF考虑在一个像素点标签分配概率；
(空洞卷积)(atrous): 不丢失分辨率的情况下 扩大感受野大；不同空洞率有不同的感受野大小，捕获多尺度上下文信息
空洞卷积gridding问题：其实就是网格效应/棋盘问题： 局部信息丢失； 远距离获取的信息没有相关性 三种解决方法：Removing max pooling；Adding layers；Removing residual connections
池化：扩大感受野，降低分辨率，丢失空间信息
上采样：二次线性插值
1x1卷积核：降维（降低或增加通道数），重新整合信息，增加非线性
现有方法：
AdaptSegNet (2018) : 最后两层网络DA（多级对抗）；Deeplab V2 分割；GAN；输出具有结构化；不同域之间的特征对齐；
问题：难自适应的物体难对齐
研究方向：降低域漂移
基于特征的自适应
CLAN（2019）：解决GAN全局对齐造成的负迁移问题；
方法：局部对齐分数图(不同局部对齐分数给予不同权重)
DAST（2020）：(两级DA)判别器注意力机制+自训练 （目的：提高难对齐的特征的对齐精度）
判别器注意力机制(发现和矫正)：两个阶段对抗学习：找出对齐不好的特征(形成注意力图)；让模型注重对齐不好的特征(重新加权)
(微调分割网络) 自训练：因为分割网络的决策边界会偏向S，所以自训练是为了促进域不变特性的提取，自适应的为T改善决策边界；
标签：总结,分割,卷积,论文,网络,空洞,池化,对齐 来源： https://www.cnblogs.com/ethan-tao/p/15699956.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。