DeepLab系列的空洞卷积与ASPP
DeepLab系列是语义分割领域最具影响力的工作之一。请解释DeepLab v1到v3+的发展历程，重点说明空洞卷积（Atrous Convolution）和ASPP模块的设计。
回答
屠龙少年
DeepLab系列由Google团队提出，核心思想是利用空洞卷积在不降低分辨率的情况下扩大感受野。
DeepLab v1（2015）：
- 核心：空洞卷积（Dilated/Atrous Convolution）+ 全连接CRF后处理。
- 将VGG-16的最后两个池化层步长改为1，全连接层改为卷积，后续卷积替换为空洞卷积（rate=2），保持输出特征图分辨率。
DeepLab v2（2017）：
- 引入ASPP（Atrous Spatial Pyramid Pooling）：
- 在特征图上并行使用多个不同扩张率（rates=6,12,18,24）的空洞卷积。
- 不同扩张率的卷积捕获不同尺度的上下文信息。
- 输出拼接后通过1×1卷积融合。
- 骨干网络改为ResNet-101。
DeepLab v3（2017）：
- 改进ASPP：加入1×1卷积和全局平均池化（Image-level features），处理远距离信息。
- 移除CRF后处理（因为ASPP已能捕获足够的上下文信息）。
- 采用Batch Normalization并改善训练细节。
DeepLab v3+（2018）：
- 引入编码器-解码器结构：
- 编码器：DeepLab v3（带ASPP的骨干网络）。
- 解码器：从编码器深层特征上采样4倍，与编码器浅层特征（1×1卷积降维后）拼接，再上采样到原图大小。
- 解码器恢复边界细节，弥补纯空洞卷积结构丢失的空间信息。
- 骨干网络可选Xception（深度可分离卷积加速）。
空洞卷积的优势：在不增加参数量的情况下，指数级增大感受野，特别适合密集预测任务如语义分割。