笔记：多尺度上下文聚合（基于扩张卷积）

论文获取链接：https://arxiv.org/abs/1511.07122
代码实现链接：https://github.com/ndrplz/dilation-tensorflow
https://github.com/fyu/dilation 一文由作者采用caffe框架完成编写

introduction

motivation 动机

CNN的池化操作影响语义分割的精度

这种差异引发了新的问题，这些问题源于图像分类与密集预测在结构上的不同。在重新设计的网络中，哪些部分是真正必要的，而哪些部分在密集操作时反而会降低准确率？专门针对密集预测任务设计的模块是否能够进一步提升准确率？尽管FCN通过改进CNN使得原本用于图像分类的CNN在语义分割任务中表现出色，但图像分类与密集预测之间仍存在显著区别。现代图像分类网络通过连续的池化和下采样层整合多尺度上下文信息，逐步降低分辨率直至得到全局预测结果。与此相反，密集预测需要结合多尺度上下文推理，并输出全分辨率的结果。CNN中的池化操作会降低分辨率并导致位置信息丢失，这与语义分割的目标相矛盾，因为密集预测要求基于全分辨率进行多尺度上下文推理。

前人针对池化操作影响精度这个问题提出的解决办法

通过反卷积操作恢复丢失的分辨率信息

为应对这一问题，此前已提出两种途径予以解决。