本文主要是介绍解读deepLabV3+时遇到的问题总结，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
环境问题
python ：3.10.12
ModuleNotFoundError: No module named ‘torchvision.models.utils
起初pip以下这个包，也没有解决问题；后来发现是版本的问题。
#from torchvision.models.utils import load_state_dict_from_url
from torch.hub import load_state_dict_from_url
将该语句注释掉，换掉下面的即可解决问题。
参考地址
No module named ‘visdom’
- pip该包。
pip install visdom
接着出现该问题：
pip._vendor.urllib3.exceptions.ReadTimeoutError: HTTPSConnectionPool(host=‘files.pythonhosted.org’, port=443): Read timed out.
- pip如下包：
pip install jsonpatch
- 成功后再次执行步骤1即可。
V3+由来
V3+继承了，V3编码的部分，但是V3的解码器部分因为多层卷积，导致分辨率下降，丢失了很多细节，还原为原图相关不太好。因此在解码器部分加了一个简单的操作，既保留了边界特征，还不增大计算量！如图下图模型：
空洞卷积
语义分割网络，通常会经过一系列下采样对图片进行压缩，然后再经过一系列上采样还原图片的大小。通常对于分类任务我们都是对图像进行 32 倍下采样（比如224*224分辨率的图片->变成7*7），然后再经过一系列上采样还原为原图，如果下采样倍率过大时，想要还原为原图像就没那么容易。丢失细节信息，所以在语义分割效果不是那么理想。
==因此要想增大感受野就得下采样，但是下采样会丢失信息。==有没有两全其美的办法呢？
那就是空洞卷积。空洞卷积可以在不改变图片分辨率的情况下，增加感受野。
- 空洞卷积设计之初是为了获取长程，也就是距离较远像素之间的相关信息，采用 rate 较大空洞卷积有利一些大目标分割有效，而对于小目标来说则有弊无利。想要很好同时处理大小目标，则需要设计一个好的空洞网络。
计算卷积\池化\反卷积\空洞卷积后图像大小的方法：
参考链接
前向传播流程：
注意是backbone输出了两个特征。一组是encoder的’out’经过多层卷积，包含着丰富特征的高阶特征，一组是Decoder的’low_level’，只进行了几层的卷积，保留着边界特征的底层特征。
总结
第一次接触，backbone的卷积网络，研究了老半天，才弄懂网络结构，目前只有这么浅显的理解，后续如果有更深入的问题，会继续补充。
这篇关于解读deepLabV3+时遇到的问题总结的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
