论文阅读：Improving Semantic Segmentation via Decoupled Body and Edge Supervision

版权声明：本文为CSDN博主「小苑同学」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yuansiming0920/article/details/111303192

存在的问题：（1）随着神经网络的深度增加，FCN的感受野生长比较缓慢，受限的RF（感受野）不能建立图像上像素之间的longer-range关系。因此由于目标身体内部模棱两可和噪音的产生使得像素很难去分类。

目前的解决方法：扩大感受野，如增加ASPP金字塔池化模块，空洞卷积，图卷积网络和动态图等等

（2）一般的下采样操作会产生比较模糊的预测因为降低分辨率会丢失细节。 因此预测分割的物体的带斑点的，边界细节也是比较差的，这样就会导致一个性能下降，尤其对于小物体来说。

目前的解决方法：将边缘和边界的细节信息的低级特征嵌入到高级特征中，或者直接细化输出，忽略了边缘与中心的相互作用。

本文提出的方法将特征图分为中心特征和边缘特征，专门设计loss来监督训练,这两个特征满足简单的加法原则。

主要的贡献：

1.提出了一种新的语义切分框架，该框架通过对主体和边缘进行不同的分割来实现。

2.提出了一个轻量级的基于流的聚合模块，通过一个学习偏移字段将每个像素向对象内部调整， 以保持每个对象的身体部位的一致性。

3.提出的模块可以插入到最先进的分割方法，以很低的成本提高其性能。在4个竞争性场景解析 数据集上进行了大规模的实验，取得了较好的效果，这些工作都是通过CNN来进行的。

 Method