图像分割“The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation”

code:: https://github.com/SimJeg/FC-DenseNet
DSOD中的一篇参考文献，不需要预训练进行图像分割，同样使用了DenseNet。在CamVid和Gatech数据库上，没有预训练，没有CRF后处理，达到了state-of-the-art的效果。

DenseNet的优点：（1）参数有效性，参数使用效率高；（2）隐式深层监督，short paths；（3）特征重用。

作者将DenseNets扩展，改成分割网络。直接建立上采样的path，高分辨率的特征和数量较多的滤波器相乘，计算量会比较大。作者仅上采样由Dense block生成的特征图，上采样的dense block吧哦哦汗其他dense block的信息，高分辨率的信息通过skip connection传输。提出的结构如下图所示：

相关工作
语义分割的进展：
（1）改进上采样方法，提高FCN连接度；上采样方法包括反池话，跳层连接，等价映射，长距离跳层连接。
（2）新的模型，适应复杂背景理解；RNN,dilated 卷积，dilated卷积堆；
（3）改进FCN，结构化的输出；CRF,RNN
目前所有的工作需要预训练的模型。

全卷积DenseNets
FCN包含下采样，上采样和跳层连接。论文改进DenseNet，以重用特征而又避免特征爆炸。
1. DenseNet回顾
标准的CNN， xl=Hl(xl−1)