[2017.07.10] Rethinking Atrous Convolution for Semantic Image Segmentation [文章链接]
2017-06-17， Liang-Chieh Chen, George Papandreou, Florian Schroff, Hartwig Adam [google research]DeepLab v3, 图像的语义分割
主要内容：
语义分割的两大问题:
[1].
pooling可以增加卷积感受野提取更多语义信息，但是会减小图像分辨率，带来图像分割边缘的离散.
作者引入
Atrous思想，在训练好的模型的权重之间插入空隙，等价于
pooling，但是可以控制好图像的分辨率。
作者在
Atrous基础上设置了多种尺度，和
Batch Normalization来方便模型训练。
[2]. 待分割物体的尺度多样化，作者主要通过空间金字塔来增加尺度信息。(
spatial pyramid pooling)
实验发现，在ResNet中，连续的stride不利于图像分割，因为细节信息会损失，因此需要在使用Atrous的时候增加不同尺度。
在最后一层上加入Global average pooling来提取全图的信息。
对比实验 在PASCAL VOC2012上面，不适用任何后处理就可以达到最好的效果。
