我能帮你写的。要有全局观念，从整体出发去检查每一部分在论文中所占的地位和作用。看看各部分的比例分配是否恰当，篇幅的长短是否合适，每一部分能否为中心论点服务。比如有一篇论文论述企业深化改革与稳定是辩证统一的，作者以浙江××市某企业为例，说只要干部在改革中以身作则，与职工同甘共苦，可以取得多数职工的理解。从全局观念分折，我们就可以发现这里只讲了企业如何改革才能稳定，没有论述通过深化改革，转换企业经营机制，提高了企业经济效益，职工收入增加，最终达到社会稳定。(二)从中心论点出发，决定材料的取舍，把与主题无关或关系不大的材料毫不可惜地舍弃，尽管这些材料是煞费苦心费了不少劳动搜集来的。有所失，才能有所得。一块毛料寸寸宝贵，舍不得剪裁去，也就缝制不成合身的衣服。为了成衣，必须剪裁去不需要的部分。所以，我们必须时刻牢记材料只是为形成自己论文的论点服务的，离开了这一点，无论是多少好的材料都必须舍得抛弃。
对图像分割算法的研究已有几十年的历史，借助各种理论至今已提出了上千种各种类型的分割算法。尽管人们在图像分割方面做了许多研究工作。但由于尚无通用分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。但是可以看出，图像分割方法正朝着更快速、更精确的方向发展，通过各种新理论和新技术结合将不断取得突破和进展。
图象分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。下面是分别对每一项做简单的介绍。本回答由提问者推荐/~ahz/digitalimageprocess/chapter15/chapt15_ahz基于阈值的分割方法阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。因此，该方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值法特别适用于目标和背景占据不同灰度级范围的图。图像若只有目标和背景两大类，那么只需要选取一个阈值进行分割，此方法成为单阈值分割；但是如果图像中有多个目标需要提取，单一阈值的分割就会出现作物，在这种情况下就需要选取多个阈值将每个目标分隔开，这种分割方法相应的成为多阈值分割。2deeplab方法概述deeplab方法分为两步走，第一步仍然采用了FCN得到coarsescoremap并插值到原图像大小，然后第二步借用fullyconnectedCRF对从FCN得到的分割结果进行细节上的refine。下面这张图很清楚地展示了整个结构：然后这张图展示了CRF处理前后的效果对比，可以看出用了CRF以后，细节确实改善了很多：deeplab对FCN更加优雅的处理方式在第一步中，deeplab仍然采用了FCN来得到scoremap,并且也是在VGG网络上进行fine-tuning。但是在得到scoremap的处理方式上，要比原FCN处理的优雅很多。还记得CVPR2015的FCN中是怎么得到一个更加dense的scoremap的吗？是一张500x500的输入图像，直接在第一个卷积层上conv1_1来了一个100的大padding。最终在fc7层勉强得到一个16x16的scoremap。虽然处理上稍显粗糙，但是毕竟人家是第一次将图像分割在CNN上搞成end-to-end，并且在当时performance是state-of-the-art，也很理解。deeplab摒弃了这种做法，取而代之的是对VGG的网络结构上做了小改动：将VGG网络的pool4和pool5层的stride由原来的2改为了1。就是这样一个改动，使得vgg网络总的stride由原来的32变成8，进而使得在输入图像为514x514，正常的padding时，fc7能得到67x67的scoremap,要比FCN确实要dense很多很多。但是这种改变网络结果的做法也带来了一个问题：stride改变以后，如果想继续利用vggmodel进行finetuning，会导致后面filter作用的区域发生改变，换句话说就是感受野发生变化。这个问题在下图(a)(b)中通过花括号体现出来了:Hole算法于是乎，作者想出了一招，来解决两个看似有点矛盾的问题：既想利用已经训练好的模型进行fine-tuning，又想改变网络结构得到更加dense的scoremap.这个解决办法就是采用Hole算法。如下图(a)(b)所示，在以往的卷积或者pooling中，一个filter中相邻的权重作用在featuremap上的位置都是物理上连续的。如下图(c)所示，为了保证感受野不发生变化，某一层的stride由2变为1以后，后面的层需要采用hole算法，具体来讲就是将连续的连接关系是根据holesize大小变成skip连接的（图(c)为了显示方便直接画在本层上了）。不要被(c)中的padding为2吓着了，其实2个padding不会同时和一个filter相连。pool4的stride由2变为1，则紧接着的conv5_1,conv5_2和conv5_3中holesize为2。接着pool5由2变为1,则后面的fc6中holesize为4。代码主要是im2col(前传)和col2im(反传)中做了改动(增加了hole_w,hole_h)，这里只贴cpu的用于理解：
算法 图像 边缘 论文
