1：文字回答：按照自己的观点，总结语义分割面临的问题以及DeepLab系列的思想
1）语义分割中连续的池化或下采样会导致图像的分辨率大幅度下降，从而损失原始信息，且在上采样过程中难以恢复。现在越来越多的网络都在试图减少分辨率的损失，比如使用空洞卷积，或者用步长为2的卷积代替池化。
DeepLab引入了多尺度特征。
多尺度特征：通过设置不同参数的卷积层或池化层，提取到不同尺度的特征图。将这些特征图送入网络做融合，对于整个网络性能的提升很大。但是由于图像金字塔的多尺度输入，造成计算时保存了大量的梯度，从而导致对硬件的要求很高。多数论文是将网络进行多尺度训练，在测试阶段进行多尺度融合。如果网络遇到了瓶颈，可以考虑引入多尺度信息，有助于提高网络性能。
论文的优势：
1）参数同比减少，所以占比内存减小，速度快。
2）ResNet的引入，越深层的网络准确性越高。
3）连续卷积核池化不可避免地会带来分辨率降低，然而空洞卷积却在尽可能保证分辨率地情况下扩大视野。
4）提出了ASPP。
2：文字回答：怎样理解ASPP模块
ASPP是在SPP的基础上，用不同比例的膨胀卷积构造“空间金字塔结构”。它对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。
3：文字回答：简述从v1到v3+，模型的发展历程
DeepLab v1:
1）结合了深度卷积神经网络和概率图模型的方法。 深度卷积神经网络是采样FCN的思想，修改VGG16网络，得到粗略映射图并插值到原图大小。
2）概率图模型（DenseCRFs）：借用fully connected CRF对从DCNN得到的分割结果进行细节上的refine.
3）把全连接层（fc6、fc7、fc8）改成卷积层（端到端训练），把最后两个池化层（pool4、pool5）的步长2改为1，保证feature的分辨率。
4）把最后三个卷积层（conv5_1、conv5_2、conv5_3）的dilate rate设置为2, 且第一个全连接层的dilate rate设置为4（保持感受野）。
DeepLab v2:
1) 针对分辨率过低的特征图，文章通过修改最后几个池化操作，避免特征图分辨率损失过大，通过引入空洞卷积，在没有增加参数与计算量的情况下增大了感受野（基本同理v1）。
2）需要分割的目标具有多样的尺度大小。针对这个问题，文章参考了SPP的思想，使用了不同比例的膨胀卷积构造“空间金字塔结构”——ASPP。
3）DCNN网络对目标边界的分割准确度不高，文章引入CRF使得分割边界的定位更加准确，从而解决该问题。
DeepLab v3:
1) 本文重新讨论了空洞卷积的使用，在串行模块和空间金字塔池化的框架下，能够获取更大的感受野从而获取多尺度信息。
2）改进了ASPP模块，由于不同采样率的空洞卷积核BN层组成，采用了串行和并行的方式布局模块。
3）讨论了一个重要问题：使用大采样率的3x3的空洞卷积，因为图像边界响应无法捕捉远距离信息（小目标），会退化为1x1的卷积，因此将图像级特征融合到ASPP模块中。
DeepLab v3+:
1) 提出了一种编码器-解码器结构，采样DeepLab v3作为encoder, 添加decoder得到新的模型。取消了CRF后处理。
2）将Xception模型应用于分割任务，模型中广泛使用深度可分离卷积。
4：代码实现：用v3+实现对CamVid数据集的分割