refineNet_multi-path refinement network for high-resolution semantic seg

0. 写作目的

   好记性不如烂笔头。

 

1.  问题

下采样导致损失了细节信息。

2. 解决方法

高层的信息和低层的信息都有用。 作者对所有的信息都使用。

 

3. 模型

具体细节：

2x表示使用两次 RCU。逐层进行使用refineNet，如图2中的C图所示，对于下采样32倍的feature，refineNet只有一个输入。对于其他的refineNet则有两个输入。

Chained Res Pooling： 使用的是 Maxpooling，实验中使用2次pooling，步长为1。 目的在于提取背景上下文。（感觉就是提高感受野，融合全局信息）

 

模型的不同扩展：

 

4. 实验结果

   在多个实验结果上效果很好。这是实验结果都是使用multi-scale 测试的。

消融实验：

不同扩展模型的实验：

 

注：文中图片来源于paper。

There may be some mistakes in this blog. So, any suggestions and comments are welcome!

 

[Reference]

     paper:  https://arxiv.org/abs/1611.06612

     code: https://github.com/guosheng/refinenet