文章阅读：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

原文地址： Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

概述

将DCNN应用于图像标记任务存在两个技术障碍：
信号下采样和空间“不敏感性”（不变性）。

1. 第一个问题涉及在每层标准DCNN上执行的最大池和下采样（‘跨越’）的重复组合所引起的信号分辨率的降低。
2. 从分类器获得以对象为中心的决策需要空间变换的不变性，从而固有地限制DCNN模型的空间精度。

基于这两个问题作者分别提出采用最初开发的’atrous’（带孔）算法，用于有效地计算未抽取的离散小波变换解决第一个问题；我们通过采用完全连接的条件随机场（CRF）来提高模型捕获细节的能力来解决第二个问题。

model

网络结构如下所示：