学习笔记15-ENet

ENet:A Deep Neural Network Architecture for Real-Time Semantic Segmentation.

提出问题：深度神经网络在移动应用上进行实时像素级语义分割存在困难,需要大量的浮点运算，而且有很长的运行时间，这阻碍了其可用性。虽然CNN在图像分类等应用取得了巨大的成功，但CNN应用于图像像素级标注时只能提供粗糙的空间结果。然而，现有提出的用于分割的神经网络，如SegNet、FCN都使用的VGG16，但这些网络需要大量的参数和很长的推断时间，这对许多移动设备或者电池设备来说是不能实现的。

一、网络架构

1、瓶颈模块ENet bottleneck module

采用了ResNets的观点，该模块具有单个主分支和与之分离的卷积滤波器的扩展，然后进行逐个元素加法合并，如图2b所示。

bottleneck模块主要有非下采样和下采样两种情况：

1）非下采样bottleneck:

每一个block辅线包括3个卷积层：一个1x1投影用来减少维度；一个主要卷积层（即conv，可能是普通卷积,不对称分解卷积或者膨胀空洞卷积）；一个1x1扩展层用于升维。在全部卷积之间置有批处理标准化Batch Norm和PReLU。

主分支直接