背景：
CNN的一个特性是不变性，这个特性使得它在high-level的计算机视觉任务比如classification中，取得很好的效果。但是在semantic segmentation任务中，这个特性反而是个障碍。毕竟语义分割是
像素级别的分类
，高度抽象的空间特征对如此low-level并不适用，比如图像分割细节、边缘。
所以，要用CNN来做分割，就需要考虑两个问题，一个是feature map的尺寸，以及空间不变性。
解决方案：
对于第一个问题，FCN通过反卷积层将feature map还原到原图尺寸。
可是feature map为什么会变小呢？因为stride的存在。于是DeepLab就考虑，我直接把stride改成1，feature map不就变大了吗。将stride改小，确实能得到更加dense的feature map，可是却也带来了另外一个问题即receptive field（RF）的改变问题。receptive field是直接和stride挂钩的，即
RFi+1 = RFi + (kernel-1)*stride (i越小越bottom)
按照公式，stride变小，要想保持receptive field不变，那么，就应该增大kernel size。于是就有了接下来的hole算法。
一开始，pooling layer stride = 2，convolution layer kernel size = 2，convolution layer第一个点的receptive field是{1,2,3,4}，size为4
为了得到更加dense的feature map，将pooling layer stride改为1，如果这个时候保持convolution layer的kernel size不变的话，可以看到，虽然是更dense了，可是不再存在RF = {1,2，3,4}的点了。
当采用hole算法，在kernel里面增加“hole”，kernel size变大，相当于卷积的时候跨过stride减小额外带来的像素，RF就保持不变了，当然如果调整hole的size还能得到比原来更大的RF。
这个扩大后的卷积核直观上可以以通过对原卷积核填充0得到，不过在具体实现上填0会带来额外的计算量，所以实际上是通过im2col调整像素的位置实现的，这里不展开，有兴趣的可以看看caffe源码（hole算法已经集成在caffe里了，在caffe里叫dilation） 于是，通过hole算法，我们就得到了一个8s的feature map，比起FCN的32s已经dense很多了。
对于第二个问题
，图像输入CNN是一个被逐步抽象的过程，原来的位置信息会随着深度而减少甚至消失。Conditional Random Field (CRF，条件随机场)在传统图像处理上的应用有一个是做平滑。CRF简单来说，能做到的就是在决定一个位置的像素值时（在这个paper里是label），会考虑周围邻居的像素值（label），这样能抹除一些噪音。但是通过CNN得到的feature map在一定程度上已经足够平滑了，所以short range的CRF没什么意义。于是作者
采用了fully connected CRF
，这样考虑的就是全局的信息了。
另外，CRF是后处理，是不参与训练的，在测试的时候对feature map
做完CRF后
，再双线性插值resize到原图尺寸，因为feature map是8s的，所以直接放大到原图是可以接受的。
DeepLab V2:DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
v1之后，Liang-Chieh Chen很快又推出了DeepLab的v2版本。
Multi-scale对performance提升很大，而我们知道，receptive field，视野域（或者感受野），是指feature map上一个点能看到的原图的区域，那么如果有多个receptive field，是不是相当于一种Multi-scale？出于这个思路，v2版本在v1的基础上增加了一个多视野域。具体看图可以很直观的理解。
rate也就是hole size
这个结构作者称之为ASPP（atrous spatial pyramid pooling），基于洞的空间金字塔
此外，DeepLab v2有两个基础网络结构，一个是基于vgg16，另外一个是基于resnet101的。