以最佳的101 layer的ResNet-DUC為基礎，添加HDC，實驗探究了幾種變體：
- 無擴張卷積(no dilation)：對於所有包含擴張卷積，設置r=1r=1
- 擴張卷積(dilation Conv )：對於所有包含擴張卷積，將2個block和為一組，設置第一個block的r=2r=2，第二個block的r=1r=1
- Dilation-RF：對於res4bres4b包含了23個blocks，使用的r=2r=2，設置3個block一組，r=1,2,3r=1,2,3.對於最后兩個block，設置r=2r=2；對於res5bres5b，包含3個block,使用r=4r=4，設置為r=3,4,5r=3,4,5.
- Dilation-Bigger：對於res4bres4b模塊，設置4個block為一組，設置r=1,2,5,9r=1,2,5,9.最后3個block設置為1,2,51,2,5；對於res5bres5b模塊，設置r=5,9,17r=5,9,17
可以看到增加接收野大小會獲得較高的精度。如下圖所示：
ResNet-DUC-HDC在較大的目標物上表現較好。下圖是局部放大：
可以看到HDC有效的消除”gridding”產生的影響。
Deeper Networks： 同樣嘗試了將ResNet-101切換為ResNet-152，使用ResNet152先跑了10個epoch學習了BN層參數，再固定BN層，跑了20個epochs.結果如下：
ResNet152為基礎層的有1%的提升。
Test Set Results： 論文將ResNet101開始的7×77×7卷積拆分為3個3×33×3的卷積，再不帶CRF的情況下達到了80.1%mIoU.與其他先進模型相比如下：
模型同時在coarse labels跑了一圈，與同樣以deliated convolution為主的DeepLabv2相比，提升了9.7%.
KITTI Road Segmentaiton
KITTI有289的訓練圖片和290個測試圖片。示例如下：
因為數據集有限，為了避免過擬合。論文以100的步長在數據集中裁剪320×320320×320的patch. 使用預訓練模型，結果如下：
結果達到了state-of-the-art水平.
PASCAL VOC2012 dataset
先用VOC2012訓練集和MS-COCO數據集對ResNet-DUC做預訓練。再使用VOC2012做fine-tune。使用的圖片大小為512×512512×512。達到了state-of-the-art水平：
可視化結果如下：
Conclusion
論文提出了簡單有效的卷積操作改進語義分割系統。使用DUC恢復上采樣丟失的信息，使用HDC在解決”gridding”的影響的同時擴大感受野。實驗證明我們的框架對各種語義分割任務的有效性。