Deeplab v1:
1.條件隨機場（CRF）的作用：
CNN經過多層卷積，獲取足夠多的語義信息，有平移不變性，重復池化和下采樣導致分辨率大幅下降，位置信息丟失難以恢復，
導致最后定位不准，CRF可以解決這個問題(RCF在測試時用，不參與訓練時的反向傳播)
2.deepLab v1創新點：
引入空洞卷積和CRF，都不是原創
3.代碼：https://github.com/wangleihitcs/DeepLab-V1-PyTorch
4.空洞卷積（dilated/Atrous conv）的弊端以及解決方案：https://www.zhihu.com/question/54149221 http://xxx.itp.ac.cn/pdf/1702.08502v3 （HDC）
1）有的像素點可能永遠也卷不到
2）對小物體不友好
5.空洞卷積和等大感受野的大核卷積相比，除了減少參數量以外，還有什么優點嗎？
Deeplab v2:
1. v2創新點有哪些：
論文里提到有三點：atrous conv,ASPP,CRF.實際上相比v1，只增加了ASPP 將網絡VGG16換成了ResNet
2.代碼：https://github.com/doiken23/DeepLab_pytorch/blob/master/DeepLab_v2_res.py
3. ASPP的作用
ASPP通過將特征圖輸入多個膨脹率的空洞卷積中來實現多尺度的，將得到的特征圖直接相加（x = x1 + x2 + x3 + x4），然后上采樣
4.Poly Learning Rate Policy
LearningRate = InitialLearningRate*(1 - iter/max_iter) ^ (power)
Deeplab v3：
1.分割領域的兩個問題：
池化等操作造成的特征圖分辨率降低（空洞卷積解決）
目標多尺度
2.分割中的目標多尺度解決方案：
image pyramid
encoder-decoder structure
extra modules are cascaded on top of the original network
spatial pyramid pooling
3.deeplab v3創新點：
ASPP中增加了圖像級特征、BN
串並聯空洞卷積
將圖像級特征融入ASPP
4.deepLab v3中為什么不使用CRF了？
deeplabv3將圖像級特征融合到ASPP模塊中。融合圖像級特征，相當於融合了其位置信息。所以就不需要最后再用CRF了（https://www.zhihu.com/question/299075713）
5.Deeplabv3的網絡結構：
https://github.com/sthalles/deeplab_v3/blob/master/network.py
Deeplab v3+
1.創新點：
語義分割卷積后的特征圖要插值回原圖大小，直接插值略顯粗糙。
v3+的創新點一是設計基於v3的decode module，二是用modify xception作為backbone
https://blog.csdn.net/Dlyldxwl/article/details/81148810?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight
https://blog.csdn.net/weixin_38440272/article/details/84787720?utm_medium=distribute.pc_relevant_right.none-task-blog-BlogCommendFromMachineLearnPai2-3.nonecase&depth_1-utm_source=distribute.pc_relevant_right.none-task-blog-BlogCommendFromMachineLearnPai2-3.nonecase