FCN、PSPNet和DeepLab-v3

FCN、PSPNet和DeepLab-v3是三种在语义分割领域具有里程碑意义的网络结构。 FCN首次将深度卷积神经网络应用于语义分割任务，采用了一种端到端的训练方式；PSPNet通过引入金字塔池化模块来捕获多尺度的上下文信息；DeepLab-v3则通过引入空洞卷积和空洞空间金字塔池化来解决语义分割中的多尺度问题。

FCN是一种没有全连接层的卷积网络 ，但除了卷积层和下采样层，另外还可以包含上采样层和反卷积层等其他具有空间平移不变形式的层。 FCN 的关键特征在于其所有层的计算都能够表示成某种空间平移不变的变换形式，主要用于图像的语义分割（semantic segmentation）。 基于 CNN 的语义分割方法一般用每个像素周围的图像块作为输入进行分类训练和预测，计算效率相对较低。 而 FCN 则直接把整幅图像作为输入、把人工标签地图（label map）作为输出，训练一个端到端的网络，可以显著提高语义分割的计算效率和预测性能。

PSPNet的网络结构同样包括编码器和解码器两部分。 PPM模块通过对特征图进行不同尺度的池化操作，得到一系列不同尺度的特征图，然后将这些特征图进行上采样并拼接在一起，形成一个包含多尺度信息的特征图。 解码器部分则负责将PPM模块输出的特征图恢复到原始图像的大小，并进行最终的语义分割。

DeepLabv3+ 是一种用于图像分割的深度学习网络结构。 它是 DeepLab 系列网络最新版本，采用了一些进来提升分割效果。 Deepv3+ 的网络结构由两个主要部分组成：骨干网络和解码器。