最新经济新闻_web服务器软件_百度手机卫士_百度收录提交入口地址

【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！

---

---

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