DeepLab V1-V3的结构和关系

一、DeepLab V1

1、结构：

DeepLab V1使用了卷积神经网络（CNN）与条件随机场（CRF）的组合来实现图像的语义分割，前面部分主要是跟vgg的结构差不多的。具体而言，它通过标准的卷积神经网络进行特征提取，然后在最后的DCNN层输出结果上结合一个全连接的CRF，增强分割边界的精细度。

2、优点：

1. 边界精细度提升：CRF的加入显著提升了边界的精确度，使得分割结果在边界处更为清晰。
2. 计算效率：通过引入“洞（Atrous）算法”，有效地减少了计算量，使得特征提取过程更加高效​(DeeplabV1)。

3、缺点：

1. 多尺度处理不足：V1主要依赖于单一的特征尺度，处理不同大小物体的能力有限。
2. 对全局上下文缺乏处理：仅使用CRF和CNN组合，缺乏对全局上下文信息的进一步利用​(DeeplabV1)。

二、DeepLab V2

1、结构：