花上了点时间辨别了一下DeepLab系列的工作，主要注目每篇工作的背景和贡献，搞清楚它们之间的联系，而实验和部分细节并没过多讲解，请求见谅。DeepLabv1SemanticimagesegmentationwithdeepconvolutionalnetsandfullyconnectedCRFs章节DCNN在像素标记不存在两个问题：信号下使用和空间不变性（invariance）第一个问题是由于DCNN中反复的仅次于池化和下取样导致分辨率上升，DeepLabv1通过带上孔（atrous）算法解决问题。第二个问题是分类器取得以对象为中心的决策必须空间不变性，从而容许了DCNN的空间精度，DeepLabv1通过条件随机场（CRF）提升模型捕捉细致细节的能力。

DeepLabv1主要贡献速度：带上孔算法的DCNN速度平均8fps，仅有相连CRF平均值预测只需0．5s。精确：在PASCAL语义拆分挑战中取得第二名。简练：DeepLab可看做DCNN和CRF的级联。

涉及工作DeepLab大同小异twostage的RCNN模型，RCNN没几乎利用DCNN的featuremap。DeepLab和其他SOTA模型的主要区别在于DCNN和CRF的人组。方法空洞卷积一维空洞卷积kernelsize＝3，Inputstride＝2，stride＝1。解读空洞卷积featuremap变大主要是由于卷积层和池化层引发的，若另所有层的stride＝1，输入featuremap将不会变小。

完整情况下Poolinglayerstride＝2，receptivefield＝4另Poolinglayerstride＝1，receptivefield＝3，输入更加dense，但感觉野变大。使用空洞卷积后，receptivefield＝4跟第一张图比起，在蓝色节点的基础上多了红色节点，在维持感觉野使输入更为dense。条件随机场仅有相连CRF模型用于的能量函数E（x）分成一元势能函？数？和二元势能函数。一元势能函数刻画观测序列对标记变量的影响。

当我们仔细观察到像素点i，是DCNN计算出来像素i的输入标签的分配概率。二元势能函数刻画变量之间的相关性以及观测序列对其影响，实质是像素之间的相关性。当则，否则为0，因此每个像素对之间都会有值，是全相连的。

是之间的高斯核，是像素i的特征向量，对应的权重为，高斯核为：掌控高斯核的“尺度”。多尺度预测多尺度预测有性能提高，但是不如CRF显著。

DeepLabv2DeepLab：SemanticImageSegmentationwithDeepConvolutionalNets，AtrousConvolution，andFullyConnectedCRFslink：https：／／arxiv．org／pdf／1606．00915．pdf章节DCNN在语义拆分中有三个挑战：（1）特征分辨率上升（2）不存在物体多尺度（3）由于DCNN的空间不变性使得空间精度上升（1）是由于DCNN中的反复池化和下取样减少了空间分辨率，一种方法是使用特征向量卷积（deconvolutionallayer），但是必须额外的空间和计算出来量。DeepLabv2在最后几个仅次于池化层用空洞卷积替代下取样，以更高的取样密度计算出来featuremap。

（2）物体不存在多尺度，解决问题该问题的一个标准方法是将图片图形成有所不同尺寸，汇总特征获得结果。这种方法可以提升性能，但是减少了计算成本。不受SPPNet灵感，DeepLabv2明确提出一个类似于结构，对等价输出以有所不同比特率的空洞卷积展开取样，以多比例捕猎图像上下文，称作ASPP（astrousspatialpyramidpooling）。（3）分类器拒绝空间不变性，从而容许了DCNN的空间精度。

解决问题该问题的一个方法是用于跳级结构融合有所不同层的特征从而计算出来最后的拆分结果。DeepLabv2更加高效的方法是使用条件随机场强化模型捕猎细节的能力。

DeepLabv2结构首先经过使用空洞卷积的DCNN如VGG－16或ResNet101获得粗略的拆分结果，然后通过双线性插值将featuremap完全恢复成原图分辨率，最后用全相连的CRF来精细化拆分结果。DeepLabv2贡献使用多尺度处置和ASPP超过了更佳的性能。

本文来源：918博天堂-www.hnzhongyin.com