文章說明

開啟新的篇章，第二篇會想說這個主題的原因是，我自己在找原始碼的時候，其實跌跌撞撞蠻久的，後來我找到了比較適合自己的方式去挖掘程式碼，於是想跟大家分享。

我接下來會分成下面去3段去講述，第一個不免俗的要稍微介紹一下deeplab是什麼，如果是詳細的論文講解，我會放在medium，而且使用的atrous convolution並不是什麼新潮的東西，去修了數位訊號處理(DSP)才發現是舊瓶翻新，物盡其用。

但是它有一定的效果，而且他在實作上面有做出來，也有API支援，所以絕對是經典的segmentation task的入手文章。

文章分段

1. 文章說明
2. deeplab的簡單介紹、於我的意義
3. 再次說明訓練流程，model部分分成backbone(extractor)與model
4. 逛deeplab的github程式，順序：train.py model.py datasets/data_generator.py …

Deeplab是？

我打這段的時候沒有經過求證，不要盡信。

Deeplab應該算是tensorflow底下的一個團隊，研究有關segmentation的任務要如何進行，到2020為止，一共發了4篇paper，每一篇都是基於前一篇再加以創新以及驗證，目前改變跨度較大的是從第2篇轉到第3篇，第3篇的論文中捨棄了之前的後處理方式，

事實上在source code的實作中，也並沒有有把後處理的程式實作出來，我去翻程式碼的時候發現的。

並把網路架構大幅變動，改以encoder-decoder的方式去做處理。

atrous convolution，在我的理解上來看，就很像對著一張圖像去做各種尺度的觀察。例如一張人像圖，在atrous rate較大的情況，我們所獲取的影像資訊就比較廣泛，很像是看著個人高矮胖瘦、衣服大概穿怎樣顏色的，還有身體形態；

atrous rate較小去做卷積的情況，所獲取的影像資訊相對起來就會比較局部，或著說detail一點，像是看到這個人的臉長怎樣、特定的動作等等。

於我的意義

算是我第一篇看得很仔細，然後去報的paper吧，然後遲鈍如我，在幾次報paper之後才領悟到，在學校報paper跟在公司中報paper的方式會不太一樣呢！

在學校做研究生剛開始報paper時，因為同時會報給同為白紙的同學們聽，因此往往需要從頭開始，由深入淺的說明。

而在公司，因為同個部門的人，都已經在領域打滾久了，其實不需要從頭到尾講得很清楚，除非是多篇paper一起比較，不然只要把看到的方法的優點、缺點、還有實作的可能性啦、實作結果等彙整後報告就可以了吧。

今天的狀態沒有很好，所以容許我把短小的篇章，灌水成兩天的份～

如果想了解甚麼與我說的相關，但是我又沒有提得很仔細的話，可以在下方留言，我會考慮找時間補齊，也請鼓勵支持我繼續寫下去，30天真的好漫長啊！