【语义分割|代码解析】CMTFNet-2: CNN and Multiscale Transformer Fusion Network 用于遥感图像分割！
【语义分割|代码解析】CMTFNet-2: CNN and Multiscale Transformer Fusion Network 用于遥感图像分割！
【语义分割|代码解析】CMTFNet-2: CNN and Multiscale Transformer Fusion Network 用于遥感图像分割！
文章目录
欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz
论文地址：https://ieeexplore.ieee.org/document/10247595
前言
这段代码实现了三种分离卷积类，分别为 SeparableConvBNReLU、SeparableConvBN 和 SeparableConv。这些类的核心是分离卷积的应用，它通过深度卷积和逐点卷积的组合来减少参数量和计算量。以下是逐行解释：
1. 定义 SeparableConvBNReLU 类
class SeparableConvBNReLU(nn.Sequential):
def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, dilation=1,
norm_layer=nn.BatchNorm2d):
- 定义
SeparableConvBNReLU类，继承自nn.Sequential，包含深度卷积、逐点卷积、批归一化和激活函数。 in_channels和out_channels：输入和输出的通道数。kernel_size：卷积核大小，默认为 3。stride：卷积步幅，默认为 1。dilation：卷积扩张率，控制卷积核的膨胀，默认为 1。norm_layer：归一化层类型，默认为nn.BatchNorm2d。
super(SeparableConvBNReLU, self).__init__(
nn.Conv2d(in_channels, in_channels, kernel_size, stride=stride, dilation=dilation,
padding=((stride - 1) + dilation * (kernel_size - 1)) // 2,
groups=in_channels, bias=False),
nn.Conv2d：实现深度卷积，通过设置groups=in_channels使每个输入通道与相应的输出通道独立卷积。padding：通过公式((stride - 1) + dilation * (kernel_size - 1)) // 2计算，保持输出尺寸不变。
norm_layer(in_channels),
nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False),
norm_layer(in_channels)：对深度卷积的输出进行批归一化。nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False)：逐点卷积（1x1卷积），整合深度卷积的结果，改变通道数。
norm_layer(out_channels),
nn.ReLU6()
)
norm_layer(out_channels)：对逐点卷积的输出进行批归一化。nn.ReLU6()：ReLU6 激活函数，将输出值限制在 0 和 6 之间，适合移动端模型。
2. 定义基础的分离卷积模块 SeparableConvBN
class SeparableConvBN(nn.Sequential):
def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, dilation=1,
norm_layer=nn.BatchNorm2d):
SeparableConvBN类的定义与SeparableConvBNReLU类似，但不包含激活函数。
super(SeparableConvBN, self).__init__(
nn.Conv2d(in_channels, in_channels, kernel_size, stride=stride, dilation=dilation,
padding=((stride - 1) + dilation * (kernel_size - 1)) // 2,
groups=in_channels, bias=False),
- 深度卷积的设置与
SeparableConvBNReLU类相同。
nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False),
norm_layer(out_channels),
)
- 逐点卷积层用于调整输出通道数，接批归一化，作为模块的最后一层。
3. 定义基础的分离卷积模块 SeparableConv
class SeparableConv(nn.Sequential):
def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, dilation=1):
- 定义
SeparableConv类，包含深度卷积和逐点卷积，但不包含批归一化和激活函数。
super(SeparableConv, self).__init__(
nn.Conv2d(in_channels, in_channels, kernel_size, stride=stride, dilation=dilation,
padding=((stride - 1) + dilation * (kernel_size - 1)) // 2,
groups=in_channels, bias=False),
nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False)
)
- 仅包括深度卷积和逐点卷积，用于需要较低计算量且无需额外归一化的情况。
总结
SeparableConvBNReLU：包含深度卷积、逐点卷积、批归一化和 ReLU6 激活函数。SeparableConvBN：包含深度卷积、逐点卷积和批归一化，无激活函数。SeparableConv：包含深度卷积和逐点卷积，适合无需批归一化和激活的场景。
这些模块在 CMTFNet 中用于高效特征提取，适合处理高分辨率遥感图像的数据量较大且计算成本高的问题。
欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz
原文地址：https://blog.csdn.net/gaoxiaoxiao1209/article/details/143376335
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！