从ResNet到ASPP:手把手教你用PyTorch复现DeepLabv3+的Encoder模块(含代码详解)

news2026/4/2 23:04:54
从ResNet到ASPP手把手教你用PyTorch复现DeepLabv3的Encoder模块含代码详解在语义分割领域DeepLabv3以其出色的性能和清晰的架构设计成为众多研究者和工程师的首选方案。本文将带您深入探索其核心组件——Encoder模块的实现细节从ResNet-101骨干网络到ASPPAtrous Spatial Pyramid Pooling结构通过PyTorch代码逐行解析帮助您彻底掌握这一关键技术。1. 环境准备与基础架构在开始编码之前我们需要搭建好开发环境并理解DeepLabv3 Encoder的整体架构。以下是推荐的环境配置# 环境配置要求 import torch import torch.nn as nn import torchvision print(fPyTorch版本: {torch.__version__}) print(fTorchvision版本: {torchvision.__version__}) print(fCUDA可用: {torch.cuda.is_available()})DeepLabv3的Encoder由两部分组成骨干网络(Backbone): 通常采用ResNet-101提取多层次特征ASPP模块: 通过不同膨胀率的空洞卷积捕获多尺度上下文信息提示建议使用Python 3.8和PyTorch 1.10版本以获得最佳兼容性2. ResNet-101骨干网络实现ResNet作为Encoder的核心组件其实现需要特别注意空洞卷积的改造。我们将基于torchvision的预训练模型进行修改class ResNetBackbone(nn.Module): def __init__(self, pretrainedTrue): super().__init__() # 加载预训练ResNet-101 resnet torchvision.models.resnet101(pretrainedpretrained) # 提取各阶段特征提取层 self.conv1 resnet.conv1 self.bn1 resnet.bn1 self.relu resnet.relu self.maxpool resnet.maxpool self.layer1 resnet.layer1 # 输出stride4 self.layer2 resnet.layer2 # 输出stride8 self.layer3 resnet.layer3 # 输出stride16 self.layer4 resnet.layer4 # 输出stride32 # 将layer3和layer4的stride从2改为1 self._modify_stride(self.layer3) self._modify_stride(self.layer4) # 为layer3和layer4添加空洞卷积 self._apply_dilation(self.layer3, dilation2) self._apply_dilation(self.layer4, dilation4) def _modify_stride(self, layer): 将指定层的stride从2改为1 for block in layer: if isinstance(block, torchvision.models.resnet.Bottleneck): if block.downsample is not None: block.downsample[0].stride (1, 1) block.conv2.stride (1, 1) def _apply_dilation(self, layer, dilation): 为指定层添加空洞卷积 for block in layer: if isinstance(block, torchvision.models.resnet.Bottleneck): block.conv2.dilation (dilation, dilation) block.conv2.padding (dilation, dilation) def forward(self, x): # 前向传播过程 x self.conv1(x) x self.bn1(x) x self.relu(x) x self.maxpool(x) x self.layer1(x) # stride4 low_level_feat x # 保存低级特征供Decoder使用 x self.layer2(x) # stride8 x self.layer3(x) # stride16 (修改后) x self.layer4(x) # stride16 (修改后) return x, low_level_feat关键修改点说明stride调整将layer3和layer4的stride从2改为1避免特征图过度缩小空洞卷积应用为layer3和layer4添加dilation参数扩大感受野特征保留保存layer1输出的低级特征(low_level_feat)供Decoder使用3. ASPP模块实现详解ASPP模块是DeepLabv3的核心创新它通过并行使用不同膨胀率的空洞卷积捕获多尺度信息class ASPP(nn.Module): def __init__(self, in_channels, out_channels256, atrous_rates[6, 12, 18]): super().__init__() # 1x1卷积分支 self.conv1x1 nn.Sequential( nn.Conv2d(in_channels, out_channels, 1, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU() ) # 3x3卷积分支不同膨胀率 self.conv3x3_1 self._make_aspp_conv(in_channels, out_channels, atrous_rates[0]) self.conv3x3_2 self._make_aspp_conv(in_channels, out_channels, atrous_rates[1]) self.conv3x3_3 self._make_aspp_conv(in_channels, out_channels, atrous_rates[2]) # 图像级特征分支全局平均池化1x1卷积 self.image_pool nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(in_channels, out_channels, 1, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU() ) # 输出卷积层 self.conv_out nn.Sequential( nn.Conv2d(out_channels*5, out_channels, 1, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU(), nn.Dropout(0.5) ) def _make_aspp_conv(self, in_channels, out_channels, dilation): return nn.Sequential( nn.Conv2d(in_channels, out_channels, 3, paddingdilation, dilationdilation, biasFalse), nn.BatchNorm2d(out_channels), nn.ReLU() ) def forward(self, x): # 获取输入特征图尺寸 h, w x.size()[2:] # 各分支处理 conv1x1 self.conv1x1(x) conv3x3_1 self.conv3x3_1(x) conv3x3_2 self.conv3x3_2(x) conv3x3_3 self.conv3x3_3(x) # 图像级特征处理 img_feat self.image_pool(x) img_feat F.interpolate(img_feat, size(h, w), modebilinear, align_cornersTrue) # 特征拼接 x torch.cat([conv1x1, conv3x3_1, conv3x3_2, conv3x3_3, img_feat], dim1) x self.conv_out(x) return xASPP模块包含五个并行分支1x1卷积捕获局部特征3x3空洞卷积(rate6)中等感受野3x3空洞卷积(rate12)较大感受野3x3空洞卷积(rate18)最大感受野图像级特征全局上下文信息4. Encoder模块完整实现与测试将ResNet骨干网络和ASPP模块组合成完整的Encoderclass DeepLabV3PlusEncoder(nn.Module): def __init__(self, num_classes21, pretrainedTrue): super().__init__() # 骨干网络 self.backbone ResNetBackbone(pretrainedpretrained) # ASPP模块 self.aspp ASPP(in_channels2048) # ResNet-101最后一层通道数为2048 # 低级特征处理 self.low_level_conv nn.Sequential( nn.Conv2d(256, 48, 1, biasFalse), # ResNet layer1输出256通道 nn.BatchNorm2d(48), nn.ReLU() ) # 分类头实际使用时Decoder会替换这部分 self.classifier nn.Sequential( nn.Conv2d(304, 256, 3, padding1, biasFalse), # 25648304 nn.BatchNorm2d(256), nn.ReLU(), nn.Conv2d(256, num_classes, 1) ) def forward(self, x): # 骨干网络前向传播 x, low_level_feat self.backbone(x) # ASPP处理高级特征 x self.aspp(x) x F.interpolate(x, scale_factor4, modebilinear, align_cornersTrue) # 处理低级特征 low_level_feat self.low_level_conv(low_level_feat) # 特征融合 x torch.cat([x, low_level_feat], dim1) x self.classifier(x) x F.interpolate(x, scale_factor4, modebilinear, align_cornersTrue) return x测试Encoder的完整流程# 测试代码 if __name__ __main__: # 创建模型实例 model DeepLabV3PlusEncoder(num_classes21) # 模拟输入 (batch_size1, channels3, height512, width512) dummy_input torch.randn(1, 3, 512, 512) # 前向传播 output model(dummy_input) print(f输入尺寸: {dummy_input.shape}) print(f输出尺寸: {output.shape}) # 应为(1, 21, 512, 512)5. 关键问题与解决方案在实际实现过程中我们可能会遇到以下几个典型问题5.1 特征图尺寸对齐问题当融合不同层次的特征时尺寸不匹配是常见问题。我们的解决方案包括精确计算各层输出尺寸使用以下公式计算空洞卷积后的特征图大小H_out floor[(H_in 2*padding - dilation*(kernel_size-1) -1)/stride 1]使用双线性插值调整尺寸在特征融合前统一尺寸5.2 内存消耗优化DeepLabv3的Encoder可能消耗大量显存特别是处理高分辨率图像时。优化策略梯度检查点技术from torch.utils.checkpoint import checkpoint # 在forward方法中使用 x checkpoint(self.layer3, x)混合精度训练from torch.cuda.amp import autocast with autocast(): output model(input)5.3 训练技巧与参数调优基于实际项目经验推荐以下训练配置参数推荐值说明学习率0.007使用poly学习率衰减策略批量大小16根据GPU显存调整优化器SGDmomentum0.9, weight_decay0.0005训练epoch50在Cityscapes等大数据集上注意当使用预训练模型时建议骨干网络采用较小的学习率如主学习率的0.1倍6. 性能评估与可视化为了验证Encoder的实现正确性我们可以进行以下测试感受野可视化def visualize_receptive_field(model, input_size(512, 512)): from torchvision.models.feature_extraction import create_feature_extractor # 创建特征提取器 model.eval() nodes {aspp.conv3x3_3.0: output} extractor create_feature_extractor(model, return_nodesnodes) # 生成测试图像 img torch.zeros(1, 3, *input_size) center (input_size[0]//2, input_size[1]//2) img[0, :, center[0], center[1]] 1 # 计算梯度 img.requires_grad True output extractor(img)[output] output.sum().backward() # 可视化梯度 grad_img img.grad[0].sum(dim0).detach().numpy() plt.imshow(grad_img, cmaphot) plt.title(Receptive Field)特征图可视化def visualize_features(model, input_image): # 获取各层特征 features {} def hook_fn(name): def hook(module, input, output): features[name] output.detach() return hook hooks [] for name, layer in model.named_children(): hooks.append(layer.register_forward_hook(hook_fn(name))) # 前向传播 with torch.no_grad(): _ model(input_image) # 移除钩子 for hook in hooks: hook.remove() # 可视化特征 fig, axes plt.subplots(2, 3, figsize(15, 10)) for i, (name, feat) in enumerate(features.items()): ax axes[i//3, i%3] ax.imshow(feat[0, 0].cpu().numpy(), cmapviridis) ax.set_title(name)7. 高级优化技巧对于追求更高性能的开发者可以考虑以下进阶优化可变形卷积替代空洞卷积from torchvision.ops import DeformConv2d class DeformableASPPConv(nn.Module): def __init__(self, in_channels, out_channels, dilation): super().__init__() self.offset nn.Conv2d(in_channels, 2*3*3, 3, paddingdilation, dilationdilation) self.conv DeformConv2d(in_channels, out_channels, 3, paddingdilation, dilationdilation) def forward(self, x): offset self.offset(x) return self.conv(x, offset)注意力机制增强class ChannelAttention(nn.Module): def __init__(self, in_channels, ratio8): super().__init__() self.avg_pool nn.AdaptiveAvgPool2d(1) self.max_pool nn.AdaptiveMaxPool2d(1) self.fc nn.Sequential( nn.Linear(in_channels, in_channels//ratio), nn.ReLU(), nn.Linear(in_channels//ratio, in_channels) ) def forward(self, x): b, c, _, _ x.size() avg_out self.fc(self.avg_pool(x).view(b, c)) max_out self.fc(self.max_pool(x).view(b, c)) out avg_out max_out return torch.sigmoid(out).view(b, c, 1, 1) * x知识蒸馏压缩模型class DistillationLoss(nn.Module): def __init__(self, T2.0): super().__init__() self.T T self.kl_div nn.KLDivLoss(reductionbatchmean) def forward(self, student_out, teacher_out): soft_student F.log_softmax(student_out/self.T, dim1) soft_teacher F.softmax(teacher_out/self.T, dim1) return self.kl_div(soft_student, soft_teacher) * (self.T**2)在实际项目中这些优化技巧可以将模型mIoU提升2-5个百分点但也会相应增加实现复杂度。建议先完成基础版本再逐步引入高级优化。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2476902.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…