DeepLab 笔记

三个贡献：
1. 使用上采样滤波器和Atrous卷积，Atrous卷积可以控制深度卷积神经网络中特征分辨率，能够有效扩大过滤器的视野范围，以便在不增加参数数量或计算量的情况下结合更大的上下文。
2. 提出了（ASPP）以在多个尺度上健壮地分割对象。用多采样率和有效感受野处理卷机特征层，以多尺度捕获对象以及图像上下文。
3. 结合DCNN和概率图模型，改进了对象边界的局部化。将DCNN最后一层与完全连接的条件随机场（CRF）相结合。

将DCNN应用于语义图像分割的三个挑战：
（1）降低了特征分辨率

（DCNN的最后几个max-pooling层去除下采样操作，在随后的卷积图层中对滤波器进行上采样，从而以更高的采样率计算特征映射。它可以更密集地计算特征映射，然后是对原始图像大小的特征响应的简单双线性插值）与较大滤波器的常规卷积相比，Atrous卷积可以有效扩大滤波器的视野，但不会增加参数数量或计算量。

（2）在多个尺度上存在对象

（3）由于DCNN不变性而降低了定位精度