在DeepLab V3+中通过采用了encoder-decoder结构，在DeepLab V3中加入了一个简单有效的decoder模块来改善物体边缘的分割结果。除此之外还尝试使用Xception作为encoder，在Atrous Spatial Pyramid Pooling和decoder中应用depth-wise separable convolution得到了更快精度更高的网络，在PASCAL VOC 2012数据集上达到state-of-art的效果。

 Paper:https://arxiv.org/abs/1802.02611

1. Introduction

在Introduction和related works中，作者回顾语义分割中的常用的两种结构：

• 空间金字塔：通过在不同分辨率上以池化操作捕获丰富的上下文信息
• encoder-decoder架构:逐渐的获得清晰的物体边界

空间金字塔池化(图a)可以池化不同分辨率的特征图来捕获丰富的上下文信息，而encoder-decoder结构(图b)则可以获得锋利的边界。因此，在DeepLab V3+中通过采用了encoder-decoder结构，在DeepLab V3中加入了一个简单有效的decoder模块来改善物体边缘的分割结果(图c)：先上采样4倍，在与encoder中的特征图concatenate，最后在上采样4倍恢复到原始图像大小。除此之外还尝试使用Xception作为encoder，在Atrous Spatial Pyramid Pooling和decoder中应用depth-wise separable convolution得到了更快精度更高的网络。

• DeepLabv3的结构，使用ASPP模块获取多尺度上下文信息，直接上采样得到预测结果
• encoder-decoder结构，高层特征提供语义，decoder逐步恢复边界信息

2. Methods

DeepLabv3 as encoder：
encoder模块逐步减少feature map分辨率，捕获高级语义信息。DeepLabv3中也使用扩张卷积提取特征，我们将输入和输出的分辨率比值称为output_stride,对于语义分割任务，使用扩张卷积替换下采样，使得输出的feature的output_stride=16。

DeepLabv3的ASPP模块使用了多个平行的扩张卷积，配合了图像级特征(即全局平均池化)。我们将DeepLabv3的logit前的输出特征作为encoder-decoder模型的encoder输出。此时输出的feature通道为256，可依据计算资源限制合理使用扩张卷积

上图encoder中ASPP部分图中省略了下面这一部分，经过concat之后再经过一次1x1卷积，就是encoder的输出，作为解码器的输入。

Proposed decoder:

decoder模块逐渐恢复空间信息。在原先的DeepLabv3中，取预测的feature 直接双线性上采样16倍到期望尺寸，这样的简易的decoder模块不能成功的恢复分割细节。在decoder中，特征图首先上采样4倍，然后与encoder中对应分辨率低级特征concatenate。在concatenate之前，由于低级特征图的通道数通常太多(256或512)，而从encoder中得到的富含语义信息的特征图通道数只有256，这样会淡化语义信息，因此在concatenate之前，需要将低级特征图通过1×1的卷积减少通道数。在concatenate之后用3×3的卷积改善特征，最后上采样4倍恢复到原始图像大小。

1、encoder输出的feature的output_stride=16，经过双线性上采样4倍得到特征A。 2、再取encoder中对应着相同分辨率(即output_stride=4)的特征层，经过1×1卷积降通道，此时输出的feature记为特征B。 3、再经过一个3×3卷积细化feature，最终再4倍双线性上采样得到预测结果

Xception主干网络：

相对于早前的Xception，这里做了改进，主要有以下三点： 1、使用了更深的Xception结构，middle flow重复了16次，原始 Xception是8次 2、所有max pooling操作被替换为空洞可分离卷积，这能够应用扩张分离卷积扩展feature的分辨率 3、在每个3×3的深度卷积后增加BN层和ReLU激活函数