原论文地址：https://arxiv.org/pdf/1802.02611.pdf
摘要
空间金字塔池化模块(spatial pyramid pooling，SPP) 和 编码-解码结构(encode-decoder) 用于语义分割的深度网络结构。SPP 利用对多种比例(rates)和多种有效接受野(fields of view)的不同分辨率特征处理，来挖掘多尺度的上下文内容信息.。编解码结构逐步重构空间信息来更好的捕捉物体边界。
DeepLabv3+ 对 DeepLabV3 添加了一个简单有效的解码模块，提升了分割效果，尤其是对物体边界的分割。基于提出的编码-解码结构，可以任意通过控制 atrous convolution 来输出编码特征的分辨率，来平衡精度和运行时间(已有编码-解码结构不具有该能力.).
DeepLabV3+ 进一步利用 Xception 模块，将深度可分卷积结构(depthwise separable convolution) 用到带孔空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块和解码模块中，得到更快速有效的 编码-解码网络。
Introduction
DeepLabV3 采用多个不同比例的并行 atrous conv 来挖掘不同尺度的上下文信息，记为 ASPP。
PSPNet 对不同尺度的网络进行池化处理，处理多尺度的上下文内容信息。
深度网络最后层输出的 feature map 虽然能够编码丰富的语义信息，但由于 pooling 和不同步长的卷积处理，会导致物体边界信息丢失，且计算 GPU 显存占用较多。
编码-解码模型编码计算速度快，且解码能够逐步重构更好的物体边界。
DeepLabV3 的输出能够编码丰富的语义信息，其利用 atrous 卷积来控制编码输出的特征分辨率，取决于计算资源。
DeepLabV3+ 新添加了解码模块来重构精确的图像物体边界，如 Fig 1
Fig 1. SPP、Encoder-Decoder 和 Encoder-Decoder with Atrous Conv(DeepLabV3+ ) 网络结构对比
Methods
1. Encoder-Decoder with Atrous Convolution
1.1Atrous Convolution
Atrous Convolution 扩展了标准的网络卷积操作，其通过调整卷积 filter 的接受野来捕捉多尺度的上下文内容信息，输出不同分辨率的特征。
以 2D 信号为例，对于输出 feature map y 的每个位置 i，卷积 filter w，输入 feature map x ，atrous 卷积计算为：
atrous rate r 是输入信号的采样步长。标准的卷积操作等价于 r=1。
1.2 Depthwise separable convolution
深度可分卷积操作，将标准卷积分解为一个 depthwise conv，depthwise conv 后接 pointwise conv(如，1×1 conv)，有效的降低计算复杂度。
depthwise conv 对每一个输入通道(channel) 分别进行 spatial（空间） conv；
pointwise conv （逐点卷积）用于合并 depthwise conv 的输出。
TensorFlow 实现的 depthwise separable conv 已经在 depthwise conv 中支持 atrous conv。
1.3 DeepLabv3 as encoder
DeepLabV3 采用 atrous conv 来提取不同分辨率的特征。
这里记输入图片空间分辨率与最终输出分辨率(在 global pooling 或 FCN 层之前的输出 feature map)的比率为输出步长(output_stride)。
图像分类 —— 最终输出 feature map 的空间分辨率一般是输入图片的 1/32，即 output_stride=32
语义分割 —— 一般为 output_stride=16 或 output_stride=8
DeepLabV3 采用 ASPP 模块，采用不同比率的 atrous conv 来得到不同尺度的卷积特征。
DeepLabV3+ 采用DeepLabV3 输出的 feature map 作为提出的 编码-解码结构的编码输出。 编码输出 feature map 是 256 channels 的，包含丰富的语义信息。
另外，还可以根据计算资源，通过 atrous conv 来提取任意分辨率的 feature。
1.4 DeepLabV3+ Proposed decoder
DeepLabV3 输出的编码特征，一般 output_stride=16。
DeepLabV3 中的对 feature map 采用因子为 16 的双线性插值(bilinearly upsampled)处理，可以看做是 naive 的解码模块，但不足以重构物体分割细节.
DeepLabV3+ 提出的解码模块，如图：
DeepLabV3+ 解码模块中，首先将编码特征采用 4 倍的双线性上采样；然后，连接(Concatenation)从主干网络所输出的对应的具有相同空间分辨率的 low-level 特征(如，ResNet-101 中 Conv2)。
由于对应的 low-level 特征往往包含较多的 channels(如256, 512)，可能会超过输出编码特征(这里输出 256 channels) 导致训练困难，故在连接(Concatenation)操作前，采用 1×1 卷积对 low-level 特征进行操作，以减少 channels 数.
连接(Concatenation) 处理后，采用 3×3 卷积和4倍 的双线性上采样来改善特征。
output_stride = 16 的编码模块输出，取得了速率和精度的平衡.
output_stride = 8 的编码模块输出，精度更高，但计算复杂度增加.
2. Modified Aligned Xception
Xception 模型 已经在图像分类上取得了快速计算.
MSRA 提出的改进版本 Aligned Xception 在目标检测中实现了快速计算.
这里，基于 Aligned Xception 进行一些改进：
- 相同深度 Xception，没有修改 entry flow network 结构，以快速计算和提高内存效率。
- 采用 depthwise separable conv 来替换所有的 max-pooling 操作，利用 atrous separable conv 来提取任意分辨率的 feature maps。
- 在每个 3×3 depthwise conv 后，添加 BN （Batch Normalization，BN层和卷积层，池化层一样都是一个网络层，本质上是一个归一化网络层）和 ReLU，类似于 MobileNet。
改进的 Xception 结构如图：
实验详解：https://blog.csdn.net/weixin_42702666/article/details/88019473