deeplabv3 resnet网络结构

DeepLabv3使用的ResNet网络作为backbone网络，通常使用的是ResNet-101或ResNet-50。这里以ResNet-101为例，它的网络结构如下：

1. 输入层：$224 \times 224 \times 3$ 的图片

2. 卷积层：$7 \times 7$ 的卷积核，步长为2，输出通道数为64，padding为3

3. 批量归一化层

4. ReLU激活函数

5. 最大池化层：$3 \times 3$ 的池化核，步长为2，padding为1

6. ResNet模块1：包含三个卷积块，每个卷积块中包含两个 $3 \times 3$ 的卷积层

7. ResNet模块2：包含四个卷积块，每个卷积块中包含两个 $3 \times 3$ 的卷积层

8. ResNet模块3：包含23个卷积块，每个卷积块中包含两个 $3 \times 3$ 的卷积层

9. ResNet模块4：包含3个卷积块，每个卷积块中包含两个 $3 \times 3$ 的卷积层

10. ASPP模块：包含4个并行的分支，分别采用不同的空洞卷积率，输出通道数均为256

11. 全局平均池化层

12. 1x1卷积层：输出通道数为256

13. 上采样层：使用双线性插值将特征图上采样4倍

14. 1x1卷积层：输出通道数为48

15. 上采样层：使用双线性插值将特征图上采样4倍

16. 1x1卷积层：输出通道数为2（二分类问题）

17. 上采样层：使用双线性插值将特征图上采样8倍

18. 最终输出：$224 \times 224 \times 2$ 的特征图

可以看到，ResNet-101网络中包含了大量的卷积层和ResNet模块，这些层和模块的堆叠可以让网络具有更深的层数，增强网络的特征提取能力。