使用 PaddlePaddle 2.x 复现 DeepLabV3+（1）：从构建到训练

模型构建：面向对象实现

我们按照 paddle.nn.Layer 接口规范，将 DeepLabV3+ 构建为模块化类：

• SeparableConv2D：深度可分离卷积（depthwise + pointwise）
• XceptionBlock：堆叠的可分离卷积单元，支持可选的残差连接
• ASPP：多尺度特征融合结构，使用 6、12、18 的膨胀卷积率
• Decoder：融合浅层和深层特征，增强边界感知能力

最终模型采用编码器-解码器结构，输出与输入分辨率相同的分割图。

模型结构：

class DeepLabV3Plus(nn.Layer):
    def __init__(self, num_classes):
        super().__init__()
        self.entry = ...
        self.block1 = XceptionBlock(...)
        ...
        self.aspp = ASPP(...)
        self.decoder = ...
        self.final = ...

    def forward(self, x):
        ... # 完整结构见文末源码

训练流程

训练循环使用 paddle.io.DataLoader 和标准 nn.Layer 接口：

• 动态创建模型实例和优化器
• 支持 ignore_index 的自定义交叉熵损失函数
• 自动保存模型参数（.pdparams）

训练实现：

model = DeepLabV3Plus(num_classes=21)
optimizer = paddle.optimizer.Adam(...)
criterion = CrossEntropyLossWithMask(ignore_index=255)

for epoch in range(num_epochs):
    for imgs, labels in dataloader:
        preds = model(imgs)
        loss = criterion(preds, labels)
        loss.backward()
        optimizer.step()
        optimizer.clear_grad()

当前在 DummySegDataset 上进行开发训练。可根据需要替换为 PASCAL VOC、ADE20K 等真实数据集。

验证、评估指标和部署流程见后续文章。