题目: Semantic Image Segmentation With Deep Convolutional Nets and Fully Connected CRFs - ICLR2015 作者: Liang-Chieh Chen, George Papandreou, Iasonas Kokkinos, Kevin Murphy, Alan L. Yuille 团队: Univ. of California, Google Inc.
将CNN和概率图模型结合，来处理像素级分类问题，即语义图像分割. 由于CNN具有不变性，适合于 high-level 任务，如图像分类. 但CNN网络最后一层的输出不足以精确物体分割. 这里结合CNN最后输出层的特征与全连接CRF相结合，提升语义分割效果.
语义分割的目标——Goal：
将图像分割为不同的语义部分，并对不同部分进行分类.
主要是两部分：
- 采用CNN来初步得到图像分割结果
- hole algorithm (atrous algorithm)，应对subsampling问题.
- train 阶段 - loss function 采用 CNN输出特征图的各像素空间位置的 sum of cross-entropy term (SoftmaxWithLoss). 原始图片的尺寸是CNN输出特征图的 8 倍， ground truth labels 也降采样到与CNN输出尺寸一致.
- test 阶段 - 将CNN输出转换到原始图像分辨率. CNN输出图具有很好的平滑性，故采用 bilinear interpolation 来增加其分辨率(factor=8).
- 采用CRF将CNN分割结果精细化
- spatial invariance
<h2>1. CNN</h2>
<h2>2. CRF</h2>
<h2>3. Results</h2>
好的分割结果：
差的分割结果：
<h2>4. Conclusion</h2>
- Modify the CNN architecture to become less spatially invariant.
- Use the CNN to compute a rough score map.
- Use a fully connected CRF to sharpen the score map.
<h2>5. Reference</h2>
[1] - Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
[2] - Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs - slides
[3] - 深度学习轻松学-核心算法与视觉实践 - 第九章-应用：图像的语意分割