1412.7062：Semantic Image Segmentation with Deep Convolutional
Deeplab系列是很成熟优雅的结构，以至于现在的很多改进是基于这个网络结构的进行的。
- 受制于当时的basemodel发展水平，DeepLabv1仅使用VGGNet进行实验。
创新点
- 提出了一种新的卷积：空洞卷积（Atrous Convolution）：
- 解决的痛点：普通的卷积和池化层会导致最终的特征图极小，特征图经过上采样再输出成分割结果，这样的上采样就有些“放大过度”了。
- 空洞卷积 ：对backbone的最后一个block卷积步幅设置为1，使用rate=2的空洞卷积替代原有后续的所有卷积，使得输出变大，避免池化层丢失图像信息。
- 提出了全连接的条件随机场（Conditional Random Field，CRF）：
- 解决的痛点：普通的深度卷积网络分割结果比较粗糙，无法识别目标的细节。
- CRF优化精度：对最终的输出层结果每个像素点之间增加连接，就是每个像素点作为节点，像素与像素间的关系作为边，通过二元势函数描述像素点。与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，而这个“距离”的定义与颜色值和实际相对距离有关。
