deeplabcv2 的 Atrous Convolution(带孔卷机核)，感受野，及tensorflow实现crf的一点理解。

首先是因为做图像分割，所以使用deeplab。思想基本和fcn一样。先卷机提取特征，然后阔尺寸至原图像大小。

普通fcn先把图像padding至很大（据说是边缘补100个0），然后一层层下来，pool （stride＝2）或者是卷机（ stride＝2）5次，图像缩小了32倍，所以之前才需要把图像放大，不然最后得到的特征图就太小了。但是补0加大了噪声。。。

deeplabcv2 采用的新做法是：在pool5开始用一种新的卷机核 Atrous Convolution，hole算法。

把conv5 开始起的conv都换成atrous conv 并且con的stride和pool的stride都给的1，使得图像不再缩小。并且保证感受野不变。如下图：

普通的卷集核在stride＝1后，感受野就变小了（7－－－5），

Atrous Convolution会在卷积中间插0，使得卷积核“扩大”（或者另一说法是：在对feature map卷积的时候，隔像素的去卷），c 和 a 具有一样的感受野。hole size空洞系数的值可变。

再来一张图：

这样操作，就在保证感受野的前提下，还不缩小图像大小。

然后，deeplab cv2还连接了一个金字塔型：

hole_size 设置了6 12 18 24.此为金字塔aspp结构，多尺度的卷积map, 然后相加"融合"得到fc8，再使用阔尺寸8倍，的到原图尺寸一致的图像。（用tensorflow实现的话，直接有resize函数扩大，默认是双线性插值法，也可选择别的插值参数方法。）

最后做的crf使边缘更细节，这里就一点值得注意，crf的输入要求，需要把维度转换好，需要的一个是rgb的原图，还有一个是以上f8阔尺寸后再softmax（使前向结算结果变为概率分布形式）的结果。然后，就得到最后的分割图像了。

图片来自 deeplab发表在ICLR 2015上。论文下载地址：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS.

参考的博文：http://blog.csdn.net/c_row/article/details/52161394

也可以参看我的另一片博文，说得更细些：

http://blog.csdn.net/jiachen0212/article/details/78548667