deeplabv3架构_DeeplabV3 论文笔记

原文链接：

DeeplabV3

1. Introduction

将神经网络运用到语义分割任务上有两大挑战：

1. 随连续的卷积和池化操作造成的特征分辨率降低：连续的卷积和池化有利于网络学习到更加抽象的特征表示。然而对于语义分割任务来说这样会损失很多细节。DeepLabV3 使用atrous convolution 来解决这个问题。
2. 物体存在多个尺度：有一些方法尝试解决这个问题，比如使用1. image pyramid , 2.encoder-decoder structure ,3.DenseCRF, 4.spatial pyramid pooling(PSP)等。

在这篇工作中，我们重新探索了atrous convolution，并在级联结构和并行结构(ASPP)上做了大量的实验。同时我们也讨论了当3*3的atrous convolution有着很大的rate时，具有的边界效应，以及对应的解决方法。

2. Method

2.1 Atrous Convolution for Dense Feature Extraction

这里简单回顾了下Atrous Convolution：其公式如下：

其中r为r