图像分割 DeepLab v2

标题：DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
网站: http://liangchiehchen.com/projects/DeepLab.html.

深度卷积网络用于语义分割的三个挑战：

1. 特征分辨率下降
   主要由于重复池化和下采样造成，作者移除了最后几个最大池化层下采样操作，并对滤波器进行上采样，在非零的滤波器值之间加入空洞，称为atrous卷积。
   atrous卷积示意图为：
   
2. 多尺度目标
   一般将不同尺度的图像输入DCNN,但计算量增加。作者根据SPP的思想，在给定特征层使用不同的采样率进行重采样，使用具有不同采样率的平行atrous卷积层实现，称为atrous SPP(ASPP)。atrous SPP方法示意图如下图所示：
   
3. DCNN的不变性，导致定位准确率下降
   基于对象的分类器要求对形变不变，影响了分割准确性，hpyer-column有被用来消除这个问题。作者使用全连接的条件随机场（CRF）获取细节信息。CRF被广泛用于语义分割，通过组合多路低层次分类器的信息，如边缘，superpixels等。CRF用于增强边缘信息示意图：
   

DeepLab模型的结构如下图所示：

对VGG-16，ResNet-101进行一些改动用于语义分割：
1. 所有的全连接层变为卷积层
2. 使用atrous卷积层提高特征分辨率，这样可以每8个像素计算一个特征响应，之后双向性插值上采样8倍到原始图像分辨率，输入到CRF精修分割结果。

实验结果
使用不同的技巧对结果的增强

与其他方法在VOC2012上的比较

PASCAL-Person-Part
人体六个部位Head, Torso,Upper/Lower Arms and Upper/Lower Legs分割