Deeplabv1 《Semanatic image segmentation with deep convolutional nets and fully connectd CRFS》

      作者阐述了在DCNNs应用于图像任务时有两个技术难点需要攻克，一个是信号的降采样，另一个是空间不敏感。信号降采样主要是因为在计算过程中不断的pooling和downsampling，本文应用空洞卷积来解决。空间不敏感是由于在分类任务需要空间固定，所以限制了DCNNs模型的准确性。为解决这个问题作者采用了全连接的条件随机场，全连接CRF计算效率高，并且能够获得边缘细节信息。

Atrous Algorithm

    空洞策略的已经在小波变换中有广泛的应用，这种方法允许我们用任意的比率值来计算CNN的特征并且不需要引用任意的近似值。

全连接CRFs

     传统的CRFs被应用平滑噪声分割图，它能够清除存疑的弱类的预测值。应用CRFs平滑了边缘与我们恢复细节的结构信息相违背，作者应用全连接的CRF模型来克服CRFs的限制。

多尺度预测

     应用多尺度的预测方法来增加边缘定位的准确性，把第一层和第二层的特征信息直接和最后一层的特征层相连接，送入到softmax层。