deeplab v1
問題的引入：
關(guān)于DCNN的大量工作表明，采用端到端的訓練方式，使得模型對圖像的變換有著較好的不變性，但這一點卻妨礙了分割任務中的定位县忌。經(jīng)過研究發(fā)現(xiàn)，在深度CNN中對于語義分割主要存在兩個挑戰(zhàn)：一個是重復池化與下采樣使得圖像的分辨率大幅降低继效，信息發(fā)生了丟失症杏，不利于恢復；另一個是對圖像轉(zhuǎn)換的不變性影響了定位
解決方案：
1瑞信、對于不斷下采樣造成的分辨率降低的問題厉颤，論文使用了一種的新的卷積方式，空洞卷積凡简，如下圖所示逼友。
我們知道精肃，池化層的存在不僅使得計算更為簡單，而且擴大了卷積的感受野帜乞，使得卷積能夠觀察到較大的目標司抱，然而，在進行池化的過程中黎烈，不可避免的丟失了一定的信息习柠，不利于后期圖片分辨率的恢復。論文中使用了空洞卷積代替了池化層照棋，避免了信息的丟失津畸，同時也擴大了感受野。
2必怜、DCNN的得分圖可以可靠的預測物體的存在與粗略的位置，但不能精確的定位目標的輪廓后频，其內(nèi)在的不變性限制了對位置的推理梳庆，本文使用了全連接的CRF作為后處理操作，通過耦合DCNN的識別能力進一步優(yōu)化分割的邊緣卑惜。
deeplab v2
問題的引入：
此版本的deeplab主要解決的問題有兩個：第一個是多尺度上存在的目標膏执；第二個是由于DCNN內(nèi)在的不變性造成的局部精度的下降。所謂的多尺度問題指的是同一尺度下不同的目標的響應不同露久，較小的目標在大的尺度下才方便提取特征更米，而較大的目標在較小的尺度下才能提取全局信息，這就是一個多尺度的矛盾毫痕。
解決方案：
1征峦、金字塔池化用在全連接層之前，不僅可以突破全連接層對于輸入圖片尺寸固定的限制消请，而且可以捕獲不同尺度的信息栏笆，使得網(wǎng)絡更加健壯。受到金字塔池化的啟發(fā)臊泰，文章采用類似的方法解決這個問題蛉加。論文嘗試了兩種方法來處理尺度變換的問題。第一種是標準的多尺度處理缸逃，提取不同尺寸圖片的得分圖针饥，為了得到最終的結(jié)果，在不同的尺寸下取每個位置的最大響應需频，雙線性插值這些并行的特征圖到原始圖片的分辨率并融合它們丁眼，但計算代價太大。第二種是受到了RCNN的空間金字塔池化的啟發(fā)贺辰，對單個尺度下提取的卷積特征進行重采樣户盯，可以準確有效的對任意尺度下的區(qū)域進行分類嵌施，如下圖所示：
2、對于DCNN內(nèi)在的不變性莽鸭，這個版本的deeplab仍舊使用了CRF進行處理吗伤，這里不做贅述。
deeplab v3
問題的引入：
此版本的deeplab還是針對多尺度下目標的分割問題硫眨，同時重新思考了空洞卷積
解決方案：
我們知道足淆，使用空洞卷積可以在不引入池化層的前提下擴大感受野，然而礁阁，當采樣率過大時巧号，由于圖像邊緣的影響會不能捕獲長距離信息，這個時候姥闭，會退化成1*1的卷積模塊丹鸿，為了克服這個問題，論文中使用了圖片級的特征棚品，將特征圖作全局池化靠欢，并最終融合在一起進行上采樣。此論文的一大改進就是去掉了CRF操作铜跑，直接由得到的特征圖進行上采樣操作恢復原分辨率门怪。
deeplab v3+
解決的問題：
編譯碼結(jié)構(gòu)與空間金字塔模型都是語義分割任務常用的模型，前者通過使用多個采樣率的濾波或者池化操作來探測輸入特征锅纺，能夠編碼多個尺度的contextual information掷空，后者可以在恢復分辨率時捕獲更加清晰的邊界，論文嘗試結(jié)合這兩種結(jié)構(gòu)的優(yōu)點囤锉，提出了deeplab v3+坦弟。
相關(guān)信息：
在deeplab v3+中，即便使用了空洞卷積官地，特征圖也縮小了8倍减拭，然后直接使用了雙線性插值的方法進行上采樣恢復原分辨率，然后這樣操作并不能恢復丟失的信息区丑，分割的效果仍有改進的地方拧粪。
解決方案：
1、編碼譯碼結(jié)構(gòu)沧侥，是一種較快的輸出圖信息擴充方法可霎，論文中使用了這一方法，進行了兩次上采樣宴杀，第一次上采樣到中間特征圖大小癣朗，與中間一層的特征圖組合起來，再進行上采樣恢復到目標大小旺罢。
2旷余、編碼部分使用了修改后的Xception網(wǎng)絡绢记，且使用了可分離卷積，增加了編碼能力正卧，具體示意圖如下：
