【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

【语义分割|代码解析】CMTFNet-2: CNN and Multiscale Transformer Fusion Network 用于遥感图像分割！
前言
- 1. 定义 `SeparableConvBNReLU` 类
- 2. 定义基础的分离卷积模块 `SeparableConvBN`
- 3. 定义基础的分离卷积模块 `SeparableConv`
- 总结

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

在这里插入图片描述
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))