语义分割模型------deeplabv1、deeplabv2、deeplabv3、deeplabv3+改进总结

1.Deeplabv1

由于卷积神经网络在提取特征时会将输入图像逐渐缩小，featuremap变小形成高级别的特征对分割任务并不适用，DeepLab采用了空洞卷积替换传统的卷积和fully connected CRF。为了利用已经训练好的VGG模型进行fine-tuning，又想改变网络结构得到更加dense的score map而引入的空洞卷积。
1-空洞卷积的引入
1.1 LargeFOV
VGG16的原始模型，卷积层的卷积核大小统一为 3x3，步长为 1，最大池化层的池化窗口为 2x2，步长为2 。
改进是使用 1x1 的卷积层代替FC层，那么就变成了全卷积网络，输出得到的是得分图，也可以理解成概率图。将pool4和pool5的步长由2改为1， 这样在原本FC7的位置，VGG网络总的步长由原来的32变为8（总步长=输入size/特征图size）。一般来说，池化层的步长为2，池化后输出大小变为输入大小的一半。原VGG16模型有5次池化，缩小 2^5=32倍，修改后的VGG16有3次步长为2的池化，缩小 2^3=8倍，两次步长为1的池化，输出大小基本不变，所以说VGG网络总的步长由原来的32变为8。这样改的原因是为了获得更为稠密（dense）的score map。感受野是当前这一层的节点往前能看到多少前些层的节点，最直观的是与步长和pooling size有关。步长缩小之后感受野不变，但输出更加Dense密集，有利于分割结果的精细化。