## 把分類網絡修改為語義分割的網絡存在下面問題： 1. 分辨率變小(the reduction of signal resolution incurred by the repeated combination of max-pooling and downsampling (‘striding’) performed at every layer of standard DCNNs) 2. spatial ‘insensitivity’ (invariance)。（relates to the fact that obtaining object-centric decisions from a classifier requires invariance to spatial transformations, inherently limiting the spatial accuracy of the DCNN model）-- This is due to the very invariance properties that make DCNNs good for high level tasks ***** 我們來看FCN怎么來解決這兩個問題的？ ### 第一個問題解決思路： 使用了稱作空洞卷積的結構，且去除了池化層結構。  空洞卷積，當比率為1時，即為經典的卷積結構。池化操作增大了感受野，有助于實現分類網絡。同時保證了分類的精度 因此，該論文所提出的空洞卷積層是如此工作的：  ### 第二個問題解決思路： **條件隨機場(Conditional Random Field，CRF)方法通常在后期處理中用于改進分割效果**。CRF方法是一種基于底層圖像像素強度進行“平滑”分割的圖模型，在運行時會將像素強度相似的點標記為同一類別。加入條件隨機場方法可以提高1~2%的最終評分值。  發展中的CRF方法效果。b圖中將一維分類器作為CRF方法的分割輸入；c、d、e圖為CRF方法的三種變體；e圖為廣泛使用的一種CRF結構。 ### DeepLab總覽： **DeepLab(v1和v2)** 論文1： Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs 于2014年12月22日提交到Arvix [https://arxiv.org/abs/1412.7062](http://link.zhihu.com/?target=https%3A//arxiv.org/abs/1412.7062) 論文2： DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs 于2016年6月2日提交到Arxiv [https://arxiv.org/abs/1606.00915](http://link.zhihu.com/?target=https%3A//arxiv.org/abs/1606.00915) 主要貢獻： * 使用了空洞卷積； * 提出了在空間維度上實現金字塔型的空洞池化atrous spatial pyramid pooling(ASPP)； * 使用了全連接條件隨機場。 具體解釋： 空洞卷積在不增加參數數量的情況下增大了感受野，按照上文提到的空洞卷積論文的做法，可以改善分割網絡。 我們可以通過將原始圖像的多個重新縮放版本傳遞到CNN網絡的并行分支(即圖像金字塔)中，或是可使用不同采樣率(ASPP)的多個并行空洞卷積層，這兩種方法均可實現多尺度處理。 我們也可通過全連接條件隨機場實現結構化預測，需將條件隨機場的訓練和微調單獨作為一個后期處理步驟。