本文作者提出了一個這樣的框架：
這樣的一個框架作者把他命名爲EDeconveNet，這個框架有兩部分組成一個是 convolution networks 一個是deconvolution network。
本文提出了FCN在圖像語義分割的時候主要注重物體的整體輪廓，而忽略了細小的特徵，本文正是修正了這一缺點。
在convolution network中我們提取high-level semantic imformation，由於卷積和pooling層的使用，此時雖然會得到語義信息，但是同時也會損失掉localization imformation，這也是卷積網絡在semantic segmentation中的一個無法避免的地方，所以CNN非常適用與classification而不能直接應用於senmantic segmentation。但是在本文中提出了一個很好的pooling方法，如下圖：
在進行pooling的時候，用一個switch variables進行存儲activations的位置信息這樣在進行unpooling的時候就可以很好的進行還原，localization imformation的缺失降低到最小。
在decovolution network中主要起的作用就是upsampling。
在training過程中作者也是用了一些小技巧使網絡能夠在小樣本上訓練，作者在每一層都加了Batch Normalization的過程，訓練分爲兩步：第一步使用一些比較容易的的訓練樣本訓練網絡。比如手工指定proposal的位置，背景不復雜的圖片等，在第二步中，爲了能夠使網絡達到instance-wise的效果，作者使用較難的樣本對網路進行fine-tune。
Ensemble with FCN
將FCN對於能夠很好的獲取整體結構，對於EDeconveNet能夠很好的獲取細節信息，將這兩種方法融合得到了最好效果。
Instance-wise Segmentation:
把每張圖片截切爲很多子圖片，每張圖片包含一個實例。每張子圖片進行輸入，得到分割結果，再把這些結果聚合起來，得到整張圖片的分個圖
注：個人理解這裏的子圖片是由於你在convolution network中用不同的kernel對原圖片進行卷積，不同的卷積核會選取不同的圖片上的objects，從而會產生很多子圖片。