DeepLab-v3+：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation

Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation

目前的问题：
深度神经网络采用空间金字塔池模块或编码解码器结构进行语义分割。
空间金字塔池模块：可以对多尺度的上下文信息进行编码，通过过滤器或多倍速率和多个感受野的汇聚操作来探测输入的特征。
编码解码器：可以通过逐步恢复空间信息来捕捉更清晰的对象边界。

简述：
本文提出的模型DeepLabv3+扩展了DeepLabv3：
1.本文提出了一种新颖的编码器-解码器结构，它采用DeepLabv3作为一个强大的编码器模块和一个简单而有效的解码器模块。
2.DeepLabv3+中，可以通过卷积来任意控制提取编码器特征的分辨率，从而在精度和运行时间之间进行权衡，这在现有的编码器-解码器模型中是不可能的。
3.本文将Xception模型应用于分割任务中，并将深度可分的卷积应用于ASPP模块和解码器模块中，得到了一个更快、更强的编码器-解码器网络

方法：
1.具有洞卷积的编码器-解码器
1.1 洞卷积
见DeepLab-v2
1.2 深度可分离卷积
深度可分离卷积，将标准卷积分解为深度卷积（Depthwise conv）和点卷积（Pointwise conv），大大降低了计算复杂度࿰