这篇论文即是DeepLabv3的理论基础，论文原文《Rethinking Atrous Convolution for Semantic Image Segmentation》。
为解决语义分割时的多尺度问题，论文中提到主要考虑如下四种结构。
论文重新阐述了空洞卷积（atrous convolution）在语义分割任务中是怎样提取稠密特征的。
假设一个二维的信号，每个位置i对应的输出是y，以及filter w对输入特征图x进行空洞卷积计算。
其中，atrous rate r 表示对输入信号进行采样的步长( stride)，等价于将输入x和通过在两个连续的filters值间沿着各空间维度插入 r−1个零值得到的上采样filters进行卷积. 通过改变 Atrous convolution 的 rate 值，来修改 filter 的接受野。r=1即是标准的卷积。
作者首先以串联的方式设计空洞卷积模块。复制ResNet的最后一个block，如下图的 block4，并将复制后的blocks以串行方式级联。各block中有三个convolutions， 除了最后一个block， 其它block的最后一个convolution的步长都为2， 类似于原来的ResNet.
这样的设计是因为引入的 stride 能更容易的捕获较深的blockes中的大范围信息。
对 block4～block7 采用不同 atrous rates，定义 Multi_Grid=(r1,r2,r3)(r1,r2,r3) 为block4～block7的三个卷积层的 unit rates，卷积层最终的 atrous rate 等于 unit rate 与对应的 rate 的乘积. 例如，当 output_stride=16， Multi_Grid=(1,2,4)时, block4 中三个卷积层的 rate 分别为：rates=2∗(1,2,4) = (2,4,8)。
Atrous Spatial Pyramid Pooling（ASPP）采用四个并行的不同 atrous rates 的 atrous convolutions对 feature map 进行处理，具有不同 atrous rates 的 ASPP 能够有效的捕获多尺度信息，并且本文中还在ASPP中加入了batch normalization。
但是随着sampling rate的增加，有效filter特征权重数量会变小。极端情况，退化成一个 1×1 filter， 因为只有中心 filter 权重才是有效的。
针对上述问题，论文采用了以下几点改进。
采用全局平均池化(global average pooling)对模型的特征图进行处理，将得到的图像级特征输入到一个256 filters的 1×1卷积(加入 batch normalization)中，然后将特征进行双线性上采样(bilinearly upsample)到特定的空间维度。
当output_stride=16时，包括一个 1×1卷积和三个3×3 卷积，其中3×3卷积的 rates=(6,12,18)，(所有的filter个数为256，并加入batch normalization)。当output_stride=8时，rates将加倍。
连接所有分支的最终特征，输入到另一个 1×1 卷积(所有的filter个数也为256，并加入batch normalization)，再进入最终的 1×1卷积，得到结果。
训练策略：
1. learning rate：初始learning rate * 
，其中power=0.9。
2. crop size：随机裁剪到513分辨率（PASCAL VOC 2012数据集）。
3. 对于output_stride = 16，batch size设为16， decay = 0.9997，初始learning rate = 0.007，在增强的数据集迭代30K之后，将 batch normalization的参数冻结，再针对output stride = 8，初始learning rate = 0.001，在标准的数据集上再迭代30K次。
4. 不再对原来的groundtruths进行8倍降采样，取而代之的是对最后的结果进行上采样。
5. 数据增加采用随机缩放图像（0.5~2.0倍）和随机左右翻转图像。
下表是不同output_stride对结果的影响。
ResNet-50和ResNet-101的对比。
Multi-grid
和其他网络的对比。
结果展示。
