Merge branch 'release/v0.5.0' into develop

contrib/ACE2P/README.md

@@ -37,8 +37,6 @@ ACE2P模型包含三个分支:
 
 ![](imgs/result.jpg)
 
-![](ACE2P/imgs/result.jpg)
-
 人体解析(Human Parsing)是细粒度的语义分割任务，旨在识别像素级别的人类图像的组成部分（例如，身体部位和服装）。本章节使用冠军模型Augmented Context Embedding with Edge Perceiving (ACE2P)进行预测分割。
 
 ## 代码使用说明
@@ -79,11 +77,11 @@ python -u infer.py --example ACE2P
   
   原图：
   
-  ![](ACE2P/imgs/117676_2149260.jpg)
+  ![](imgs/117676_2149260.jpg)
   
   预测结果：
   
-  ![](ACE2P/imgs/117676_2149260.png)
+  ![](imgs/117676_2149260.png)
   
 ### 备注
 

docs/configs/train_group.md

@@ -45,7 +45,7 @@ TRAIN Group存放所有和训练相关的配置
 是否在多卡间同步BN的均值和方差。
 
 Synchronized Batch Norm跨GPU批归一化策略最早在[MegDet: A Large Mini-Batch Object Detector](https://arxiv.org/abs/1711.07240)
-论文中提出，在[Bag of Freebies for Training Object Detection Neural Networks](https://arxiv.org/pdf/1902.04103.pdf)论文中以Yolov3验证了这一策略的有效性，[PaddleCV/yolov3](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/yolov3)实现了这一系列策略并比Darknet框架版本在COCO17数据上mAP高5.9.
+论文中提出，在[Bag of Freebies for Training Object Detection Neural Networks](https://arxiv.org/pdf/1902.04103.pdf)论文中以Yolov3验证了这一策略的有效性。
 
 PaddleSeg基于PaddlePaddle框架的sync_batch_norm策略，可以支持通过多卡实现大batch size的分割模型训练，可以得到更高的mIoU精度。
 

docs/models.md

 # PaddleSeg 分割模型介绍
 
-- [U-Net](#U-Net)	
-- [DeepLabv3+](#DeepLabv3)		
+- [U-Net](#U-Net)
+- [DeepLabv3+](#DeepLabv3)
 - [PSPNet](#PSPNet)
 - [ICNet](#ICNet)
 - [HRNet](#HRNet)
@@ -75,12 +75,10 @@ Fast-SCNN [7] 是一个面向实时的语义分割网络。在双分支的结构
 
 [3] [Pyramid Scene Parsing Network](https://arxiv.org/abs/1612.01105)
 
-[4] [Fully Convolutional Networks for Semantic Segmentation](https://arxiv.org/abs/1605.06211)
+[4] [Fully Convolutional Networks for Semantic Segmentation](https://arxiv.org/abs/1411.4038)
 
 [5] [ICNet for Real-Time Semantic Segmentation on High-Resolution Images](https://arxiv.org/abs/1704.08545)
 
 [6] [Deep High-Resolution Representation Learning for Visual Recognition](https://arxiv.org/abs/1908.07919)
 
 [7] [Fast-SCNN: Fast Semantic Segmentation Network](https://arxiv.org/abs/1902.04502)
-
-

docs/usage.md

@@ -21,7 +21,7 @@
 
 ## 2.下载待训练数据
 
-![](../turtorial/imgs/optic.png)
+![](../tutorial/imgs/optic.png)
 
 我们提前准备好了一份眼底医疗分割数据集--视盘分割（optic disc segmentation），包含267张训练图片、76张验证图片、38张测试图片。通过以下命令进行下载：