基于深度学习的图像分割的方法的一般套路：
1.下采样 + 上采样，卷积池化转置卷积；
2.多尺度特征拼接，低维度特征结合高维度特征；
3.获得像素级别的segement map，即对每个像素进行分类。
在做反卷积上采样的时候，往往通过拼接融合的方法得到更多的信息，拼接的方法有
语义分割网络在特征融合时也有2种办法：
- FCN式的逐点相加，对应caffe的EltwiseLayer层，对应tensorflow的tf.add()
- U-Net式的channel维度拼接融合，对应caffe的ConcatLayer层，对应tensorflow的tf.concat()
获得mutli-scale-context的几种方法：
（a）图像金字塔。输入图像进行尺度变换得到不同分辨率input，然后将所有尺度的图像放入CNN中得到不同尺度的分割结果，最后将不同分辨率的分割结果融合得到原始分辨率的分割结果，类似的方法为DeepMedic；
（b）编码-解码。FCN和UNet等结构；
（c）本文提出的串联结构。
（d）本文提出的Deeplab v3结构。最后两个结构右边其实还需要8×/16×的upsample，在deeplab v3+中有所体现。下采样GT容易在反向传播中丢失细节，因此上采样feature map效果更好。
图像分割一般采用深度学习模型+概率图模型
FCN以及deeplab后面加入的条件随机场crf就是一种概率图模型；
CRF是对像素级别的 label 预测，将像素 label 作为随机变量，周边像素与像素间的关系作为边，构成一个条件随机场，且能够获得全局观测时，CRF便可以对这些label进行建模。
也就是在考虑一个像素的label时，同时考虑周边像素的影响，能够抹除一些噪音。
CRF是后处理，是不参与训练的，在测试的时候对feature map做完CRF后，再双线性插值resize到原图尺寸，因为feature map是8s的，所以直接放大到原图是可以接受的。
参考自：https://blog.csdn.net/Dlyldxwl/article/details/81148810