神经网络初学者(1)-deeplab(1)

今天，我们来了解一下deeplab v1，下面是原文，有兴趣的可以去看
https://arxiv.org/pdf/1412.7062v3.pdf
这个是对原文的翻译
https://blog.csdn.net/u011974639/article/details/79134409

所以，开始学习之旅，以下是我对于原文的认识，如有错误，还望大佬矫正
Deeplab是结合了深层卷积神经网络(DCNNs)和概率图模型(DenseCRFs)的方法，出现这种方法，是因为在实验中发现
单纯的DCNNs会出现在进行语意分割精准度不够的问题。所以就结合DCNNs和DenseCRFs，通过将DCNNs层的响应
和完全连接的条件随机场(CRF)结合，从而解决这个问题。
文章中还介绍了DCNNs的两个问题
1.信号下采样
2.空间不敏感
第一个问题，是因为DCNNs重复最大池化和下采样带来的分辨率下降问题，这样必然会丢失一些特征值，而Deeplab
用的是atrous(带孔)算法(这种带孔的采样又称atrous算法，可以稀疏的采样底层特征映射，该方法具有通常性，并且
可以使用任何采样率计算密集的特征映射)，就可以解决这个问题
第二个问题 ，分类器获取以对象中心的决策是需要空间变换的不变性，这天然的限制了DCNN的定位精度，DeepLab
采用完全连接的条件随机场(DenseCRF)提高模型捕获细节的能力。(不太懂)
Deeplab没有使用DCNNs的从图片中获取候选区域，再将区域送到DCNNs中获取分割建议，再重新排列，而是，将每
个像素当成CRF来使用，直接送到DCNNs中进行loss的计算
DeepLab是结合了DCNNs的识别能力和全连接的CRF的细粒度定位精度，寻求一个结合的方法，结果证明能够产生准
确的语义分割结果。

由于 现在认知有限，以后有什么更加深层次的了解和认识还会补上。