DeepLabv1是在2015年发表，在此之前，图像分类、目标检测、语义分割等都基于DCNN模型发展，但DCNN会存在重复池化导致分辨率下降；位置信息丢失，难以恢复，分割结果粗糙，丢失细节等问题；故DeepLab系列对DCNN等问题进行改进。

DeepLab v1

论文：Semantic image segmentation with deep convolutional nets and fully connected CRFs

DeepLab v2

论文：DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

DeepLab v3

论文：Rethinking Atrous Convolution for SemanticImage Segmentation

DeepLab v3+

论文：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation

系列论文的主线思路

DeepLab系列一直在解决同一个问题：卷积网络经过多次池化后，语义信息变强了，但特征图分辨率下降，边界会变糊，目标尺度变化大时也不容易处理。
所以DeepLab的演进路线，可以概括成三件事：尽量少丢空间信息、尽量看更大上下文、尽量把边界修得更准。

DeepLab v1 解读

v1的关键想法是把深层卷积网络和全连接CRF结合起来。前者负责给出较强的语义分割结果，后者负责把边界细节再修一遍。
简单理解，v1是在说：CNN已经足够会“认东西”了，但还不够会“抠边界”，所以需要CRF来补这一刀。

DeepLab v2 解读

v2进一步把空洞卷积和ASPP引入进来。空洞卷积的意义在于，不额外增加太多参数，就能扩大感受野；ASPP则通过多种膨胀率并行卷积，让模型同时看到不同尺度的上下文。
这一版的价值在于，它不只是“后处理补边界”，而是开始从网络结构本身增强多尺度语义建模能力。

DeepLab v3 解读

v3把对空洞卷积和ASPP的使用进一步系统化，并加入图像级全局特征，让模型在不依赖DenseCRF后处理的情况下，也能得到很强的分割结果。
可以把它理解成：DeepLab到了这一版，重点已经从“后处理修补”转向“网络内部直接学到更好的上下文表达”。

DeepLab v3+ 解读

v3+在v3基础上又引入了encoder-decoder思想，并使用atrous separable convolution提升效率。它在保留大感受野和多尺度上下文的同时，进一步增强了对边界和细节区域的恢复能力。
这也是为什么很多人把v3+看成DeepLab系列里兼顾效果、结构完整性和工程可用性的一版。

简单理解与局限

我对DeepLab系列的理解是：它几乎定义了现代语义分割里“空洞卷积 + 多尺度上下文 + 边界恢复”这一整套思路。
它的局限在于，空洞卷积和多分支结构会带来一定计算开销，对小目标和极复杂场景也并非总是最优，所以后来很多工作继续在解码器、多尺度融合和Transformer方向上迭代。