论文：Deeplab_v4

摘要：
1.使用artous卷积，在不增加参数的情况下增加 the field of view of filters。
2.提出ASPP，在多尺度上分割物体
3.impore the localization of object boundaries ，通过结合DCNN和probabilistic graphical.

DCNN应用于语义分割有三个困难：
1. 降低特征的分辨率
2. 多尺寸目标的存在
3. invariance 降低 localization 准确率
第一个困难，移除了DCNN最后几层max pooling 层的下采样操作，并且对之后所有的卷基层upsample the filters.
使用artous convolution recover了full resolution feature maps.
第二个困难，通常是对图片进行多尺度变换，但是这样会增加计算负荷，使用artous spatial pyramid pooling(ASPP).
第三个困难，采用skip-layers方法也可以，但是我们使用CRF，使用fully-connected CRF，可以取得fine edge detials.

整个model

将VGG-16 or ResNet-101对于分类任务的模型做一些改变
1. 将全连接层变成卷积层
2. 通过atrous convolution 提高feature resolution
3. 之后employ 双线性差值上采样到原始图片的resolution，之后输入到CRF

artous convolution