9.2.2 DeepLab系列模型中每一代的创新是什么？是为了解决什么问题？
前情回顾：9.2.1 简述图像分割中经常用到的编码器-解码器网络结构的设计理念。
DeepLab是Google 团队提出的一系列图像分割算法。
DeepLab v1在2014年被提出，并在PASCAL VOC2012数据集上取得了图像分割任务第二名的成绩。
Google 团队之后还陆续推出了DeepLab v2和DeepLab v3。
DeepLab 系列已经成为图像分割领域不可不知的经典算法。
DeepLab v1
DeepLab v1算法主要有两个创新点，分别是
- 空洞卷积（Atrous Covolution）和
- 全连接条件随机场（fully connected CRF）
具体算法流程如图9.5所示。
- 空洞卷积
空洞卷积是为了解决编码过程中信号不断被下采样、细节信息丢失的问题。
问题：由于卷积层提取的特征具有平移不变性，这就限制了定位精度。
- 全连接条件随机场
解决：所以DeepLab v1引入了全连接条件随机场来提高模型捕获局部结构信息的能力。
具体来说，将每一个像素作为条件随机场的一个节点，像素与像素间的关系作为边，来构造基于全图的条件随机场。参考文献［29］采用基于全图的条件随机场而非短程条件随机场（short-range CRF），主要是为了避免使用短程条件随机场带来的平滑效果。
正是如此，与其他先进模型对比，DeepLab v1的预测结果拥有更好的边缘细节。
DeepLab v2
相较于DeepLab vl，DeepLab v2的不同之处是
- 提出了空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）［30］
- 并将 DeepLab v1 使用的VGG 网络替换成了更深的ResNet 网络。
ASPP 可用于解决不同检测目标大小差异的问题：通过在给定的特征层上使用不同扩张率的空洞卷积，ASPP可以有效地进行重采样，如图9.6所示。模型最后将ASPP各个空洞卷积分支采样后的结果融合到一起，得到最终的分割结果。
DeepLab v3
DeepLab v3 在ASPP部分做了进一步改动。
-
首先，DeepLab v3加入了批归一化（BN）层；
-
其次，将ASPP中尺寸为3x3、空洞大小为24的卷积（图9.6中最右边的卷积）替换为一个普通的1x1卷积，以保留滤波器中间部分的有效权重。
这么做的原因是研究者通过实验发现，随着空洞卷积扩张率的增大，滤波器中有效权重的个数在减小。
-
为了克服长距离下有效权重减少的问题，DeepLab v3 在空洞空间金字塔的最后增加了全局平均池化以便更好地捕捉全图信息。
-
此外，DeepLab v3去掉了CRF，
-
并通过将ResNet的Block4复制3次后级联在原有网络的最后一层来增加网络的深度。网络深度的增加是为了捕获更高层的语义信息。
改进之后的ASPP部分如图9.7所示［31］。
DeepLab v3+
- DeepLab v3+[32]在DeepLab v3的基础上，增加了一个简单的解码器模块，用来修复物体边缘信息。
- 同时DeepLab v3＋还将深度可分卷积（Depthwise Separable Convolution）应用到空洞空间金字塔和解码器模块上，以得到更快、更强大的语义分割模型。
总结与扩展
相比语义分割和实例分割，全景分割从2018年才开始兴起，虽然目前相关的研究还不是特别多，但已经可以观察到越来越多的机构将研究重心从语义分割、实例分割转移到全景分割上。可以预测，全景分割将会成为图像分割领域的下一个热点。
参考文献：
[29] CHEN L-C, PAPANDREOU G, KOKKINOS I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs[J].arXiv preprint arXiv: 1412.7062,2014.
[30] CHEN L-C, PAPANDREOU G, KOKKINOS I,et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017: 834-848.
[31] CHEN L-C, PAPANDREOU G, SCHROFF F, et al. Rethinking atrous convolution for semantic image segmentation[J]. arXiv: 1706.05587,2017.
[32] CHEN L-C, ZHU Y, PAPANDREOU G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]//Proceedings of the European Conference on Computer Vision, 2018: 801-818.
