DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Con

1介绍
qqq
qqq
第一种问题（分辨率降低）是由于DCNN中原本被设计用来做图象分类的连续层反复的结合最大池化和降采样而导致的。这样导致当DCNN全卷积时会显著降低特征图空间分辨率。
我们使用术语Atrous卷积作为上采样滤波器的缩写

第二种问题（存在多尺度）常规的解决方案是给DCNN对相同的图象重新定尺度再汇总特征和分数地图，我们展示了这种方法确实可以提高我们系统的表现，但是同时带来了对所有DCNN层输入图象进行多尺度版本计算的代价。取代这种方法，通过空间金字塔池化。我们提出一种计算高效的方案是对于给定的特征层在卷积之前用多速率重采样。目的是探索原始图象和多滤波器有互补有效的滤波范围，因此在多尺度下捕获物体和有用的语境信息。而不是对特征进行重新采样，我们通过多个平行的Atrous卷积层和不同的采样速率有效的执行了这个映射。我们把这个技术叫做ASPP。