深度之眼--图像分割第四周Deeplab

1.语义分割面临的问题

        1.CNN可以可靠地预测图像中物体的存在和粗糙位置，但不太适合定位它们的精确轮廓。连续下采样会导致图像浅层特征损失，分类精度和定位精度与卷积网络之间存在着自然的权衡：层数越深/变换越复杂(提取抽象特征) ，分类精度越高 ，但会损失定位信息。
        2.同一张图片中不同大小物体的分割精度不同，因为不同尺度卷积核对不同大小物体的分割效果不同。在分辨率较小的情况下，小物体的位置信息经常被丢失。

2.Deeplab系列的思想

       当前的图像分割CNN是根据classification这种high-level semantics改编的，但CNN做语义分割时精准度不够，根本原因是 DCNNs 的高级特征的平移不变性，即高层次特征映射，根源于重复的池化和下采样会丢失localization信息，即无法对像素点精确定位语义（low-level semantics）。针对下采样或池化降低分辨率，DeepLab采用了空洞卷积代替池化操作来扩展感受野，获取更多的上下文信息。同时DeepLab v1v2 结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）的方法。
       DeepLab v2提出了串行的ASPP模块，大大扩展了卷积核的感受野，但随着感受野越来越接近图像大小，会退化为1x1卷积。为了解决这个问题，DeepLab v3改进了ASPP空洞卷积空间金字塔池化层，不同的dilation卷积并行操作，然后归一尺寸后求和。ASPP模块借鉴PSPNet思想，通过不同采样率的空洞卷积并行采样，捕捉图像不同尺度的上下文信息。

3.简述ASPP模块

        由于被检测物体具有不同的尺度，给分割增加了难度。传统的方法是通过rescale图片，分别经过DCNN检测、融合，但由于计算量大，DeepLab就设计了一个ASPP模块，借鉴了PSP模块的思想进行多尺度特征提取，既能得到多尺度信息，计算量又比较小。
        ASPP是DeepLab中用于语义分割的一个模块，全称是空洞卷积空间金字塔池化层，原理是将特征图分别输入不同空洞率的dilati