Deeplab v3+ 結構的精髓：
1.繼續使用ASPP結構， SPP 利用對多種比例(rates)和多種有效感受野的不同分辨率特征處理，來挖掘多尺度的上下文內容信息. 解編碼結構逐步重構空間信息來更好的捕捉物體邊界.
2.添加新的解碼模塊，重構邊界信息
3.嘗試使用改進的xception模塊（深度可分離卷積結構depthwise separable convolution）來作為網絡的骨干，減少參數量。
結構的簡單對比：
與之前相比，加入了新的解碼模塊，逐步精確地重構物體的邊界。
其中采用的Xception模塊的深度可分離卷積結構如下：由DW+PW組成，參數量和運算成本低。
DeepLabV3+ 提出的解碼模塊，如圖：
把經過ASPP以及1*1卷積之后的編碼特征進行4倍上采樣操作，然后拼接從主干網絡中得出的相同分辨率的特征，再通過卷積以及上采樣得到結果。
圖中綠色圓圈的目的是，從編碼過程中得到的特這個可能由多個channels，所以通過1*1的卷積降低channels數目。
改進的Xception模塊：
第一個為原先的xception模塊，第二個為改進的；
改進的地方：
- 采用 depthwise separable conv 來替換所有的 max-pooling 操作，以利用 atrous separable conv 來提取任意分辨率的 feature maps.
- 在每個 3×3 depthwise conv 后，添加 BN 和 ReLU，類似於 MobileNet.
參考自：https://www.aiuai.cn/aifarm132.html