Code: https://github.com/eveningdong/DeepLabV3-Tensorflow
Motivation
为了处理在多个尺度上分割对象的问题，本文设计了atrous卷积模块，该模块采用级联或并行的atrous卷积，通过采用多个atrous速率来捕获多尺度上下文。
- 使用空洞卷积，防止分辨率过低情况
- 串联不同膨胀率的空洞卷积或者并行不同膨胀率的空洞卷积（v2的ASPP），来获取更多上下文信息
Methods
Atrous Convolution for Dense Feature Extraction
同v2中的空洞卷积，卷积计算公式为：
\[ y[i]=\sum_{k=1}^{K}{x[i+r\cdot k]w[k]} \]
Going Deeper with Atrous Convolution
采用空洞卷积，将多个ResNet Block级联排列。
Multi-grid Method
每个Block中的三个卷积使用各自的Unit Rate。
Atrous Spatial Pyramid Pooling
不同atrous rates的ASPP可以有效捕获到多尺度信息。但随着采样率变大，有效过滤器权重的数量会越来越少。
为了克服上述问题，并将全局上下文信息纳入模型，采用图像级特征。在模型最后一个特征图上应用全局平均池化，将得到的图像级特征放入\(1 \times 1\)卷积中，然后双线性插值上采样至所需空间尺寸。
Experiments
