研究问题的引入：
基于语义分割的场景解析是计算机视觉的基本问题，它要求预测图片中每个像素的类别、位置以及形状，然而，复杂场景的场景解析一直是一个挑战。论文作者认为，目前主流的用于场景解析的FCN算法存在一个较大的问题，那就是没有充分利用global context，论文主要探讨了如何解决这个问题。
相关背景介绍：
1、FCN是一项开创性的变革，在FCN中，去掉了全连接层，使得端到端的训练成为可能，语义分割得到了极大的发展；之后空洞卷积的出现，扩大了感受野；使用coarse-to-fine的解卷积结构来学习分割掩膜。其余的方向主要集中在两个方面：一个是不同尺度的特征融合，在深度卷积网络中，深层的特征图包含了抽象的语义信息，但缺乏位置等空间信息，而浅层的特征图却包含了位置等信息；另一个方面是基于结构的预测，目前比较前沿的操作是利用条件随机场（CRF）来作为后处理操作，来对分割结果进行细化。这两方面都改善了对图片的定位能力，但对context的利用还是不足。
2、场景解析存在的相关问题：
1）Mismatched Relationship：对图片来说，context relationship是普遍存在的，然而，算法缺失对这种关系的判别能力是错分类的一个重要原因。
2）Confusion Categories：有些目标的外观十分相似，即使是人为标注也会出现错误，但这种错误可以通过类别之间的联系来解决。
3）Inconspicuous Classes：有些小目标虽然小，难以发现，但或许十分重要，而有些较大的目标却有可能超出网络的感受野，出现不连续的预测，为了解决这些问题，网络应该能注意到包含不显眼目标的子区域。
问题的解决：
1、金字塔池化模块：
在深度神经网络中，感受野的大小代表了我们利用context information的多少，而ResNet网络的感受野比理论上要小得多。目前一种比较有效的方式是融合不同感受野的子区域。为了减少context information的损失，论文提出了分层全局先验，使用了不同尺度不同子区域的信息，即金字塔池化模块，用于最后的全局先验构建。此模块分成了四个尺度，之后利用了1*1的卷积核进行降维，然后上采样恢复原来的大小并合并不同尺度的特征图。
2、网络结构：
论文使用了带有空洞卷积的残差网络，经过池化之后输入到金字塔池化模块中，最终连接合并特征图，经过卷积生出最终的预测结果。
3、基于FCN的ResNet深度监督策略：
ResNet增加深度的方法是使用了跳跃连接，将深度神经网络的训练变成了一个优化问题，而论文中却提出了一个截然相反的策略，其在支路上增加了一个辅助损失函数，用来优化学习过程。
