deeplabv3结构

### DeepLabV3 网络架构详解

#### ASPP模块设计
DeepLab V3引入了一种改进的空洞空间金字塔池化（ASPP）机制，该机制由五个并行分支组成。这些分支包括一个1×1的标准卷积核、三个具有不同膨胀率的3×3空洞卷积以及一个全局平均池化层[^2]。

#### 多尺度特征提取
为了捕捉图像中的多尺度信息，在ASPP中采用多种不同的扩张比率来执行空洞卷积操作。这种设置允许模型在同一位置上感受更广阔的视野范围内的像素关系，从而更好地处理对象大小变化的问题[^1]。

#### 编码器-解码器框架
尽管原始论文主要关注编码阶段的设计优化，但在实际应用中通常还会加入解码路径以恢复高分辨率分割图谱。此过程涉及通过转置卷积或其他方式逐步放大低维表示的空间维度[^3]。

import tensorflow as tf
from tensorflow.keras.layers import Conv2D, GlobalAveragePooling2D, concatenate

def build_aspp(input_tensor):
    b0 = Conv2D(256, (1, 1), padding='same', use_bias=False)(input_tensor)

    # Dilated convolutions with different rates
    b1 = Conv2D(256, (3, 3), dilation_rate=6, padding='same', use_bias=False)(input_tensor)
    b2 = Conv2D(256, (3, 3), dilation_rate=12, padding='same', use_bias=False)(input_tensor)
    b3 = Conv2D(256, (3, 3), dilation_rate=18, padding='same', use_bias=False)(input_tensor)

    # Image pooling branch
    pool = GlobalAveragePooling2D()(input_tensor)
    pool = tf.expand_dims(tf.expand_dims(pool, axis=1), axis=1)  # Reshape to match spatial dimensions of other branches
    pool = Conv2D(256, (1, 1), padding='same', use_bias=False)(pool)
    
    output = concatenate([b0, b1, b2, b3, pool], axis=-1)
    return output