DeconvNet

主要贡献：

1. DeconvNet 主要由deconvlution,unpooling,ReLU组成。
   2.通过训练好的网络的individual objection proposal获得instance-wise的分割实体。
   3.和FCN结合获得了很好的效果。

为什么DeconvNet有效？

因为是对称结构，所以output每个像素与input的class probability相同。
unPooling,FCN只是简单的进行上采样，这样会丢失之前pooling层的位置信息，所以unPooling保留了位置信息。
FCN的deconvolution层的filter被固定了，即学习率设置为零，这样这样就会损失类别的形状信息。因此DeconvNet做出了改变，只需要在deconvolution之后进行crop就可以了。这样就能捕捉到不同层的位置信息。

在较低的层中，我们可以观察到，他得到的是物体整体的但是粗糙的信息，如位置，形状，范围。在高层中就更加复杂。我们可以知道unpooling去追踪原始的位置信息使得结果又更好的结构。而deconvolution则获得更好的分类信息。

inference没有看懂