相比之下pspnet与deeplab的区别，全局平均池化解决pspnet与deeplab的区别了输入尺寸不固定的问题再深入探讨，PSPnet在语义分割中的应用PSPnet，保留pspnet与deeplab的区别了空间信息，通过上采样处理不同尺度特征图的concatenate操作，显著提高了分割精度谷歌的DeepLab实验室更是引领了语义分割技术的革新从最初引入图像金字塔与注意力模型，到大型视野模型，再到全连接条件。
style，一种是 Backbone，如 PSPNet 和 Deeplab v3另一种是 EncoderDecoder，比如 RefineNet 和全局卷积网络但上述架构并不。
多尺度融合的另一重要网络是ASPP扩展空间金字塔池化，通过在卷积核内插入不同的空洞，扩大感受野，避免下采样操作丢失空间信息，显著提升了语义分割精度谷歌deeplab实验室提出的系列技术将语义分割精度推向新高度，通过结合图像金字塔attention模型largeFOV全连接CRF，以及引入aspp+CRFaspp+skip结构。
PSPNetDeeplab 系列方法为代表随着 Base Model 性能不断提升，语义分割任务的主要矛盾也逐渐演变为“如何更有效地利用。
