BiSeNet

ABSTRACT
语义分割既需要丰富的空间信息和相当大的接受域。
现代的方法常降低空间分辨率，以实现实时推理速度，从而导致性能较差。
本文，用一种新的双边分割网络(BiSeNet)来解决这个困境。
我们首先设计了一个小步幅的空间路径来保存空间信息和生成高分辨率的特征。
同时，采用具有快速下采样策略的上下文路径来获得足够的接受域。
在这两条路径的基础上，我们引入了一个新的特征融合模块来有效地结合特征。
该架构在城市景观、CamVid和coco-stuff数据集上的速度和分割性能之间取得了正确的平衡。
具体来说，对于一个2048×1024输入，我们在一个NVIDIATitanXP卡上以105FPS的速度在城市景观测试数据集上实现了68.4%的平均IOU，这比现有的方法要快得多。

INTRODUCTION
语义分割的研究是计算机视觉中的一项基本任务，即为每个像素分配语义标签。
它可以广泛应用于增强现实设备、自动驾驶和视频监控等领域。
这些应用程序对快速交互或响应的高效推理速度有很高的需求。

---

原文链接：https://blog.csdn.net/r1141207831/article/details/107009448/
语义分割的研究是计算机视觉中的一项基础性工作，其实质就是为每个像素赋予语义标签。它可以广泛应用于增强现实设备、自动驾驶和视频监控等领域。这些应用对高效的推理速度有很高的要求，以实现快速交互或响应。

语义分割的加速方法：
1)输入大小
2)修剪通道
3)最后下采样？

U型结构有两个缺点：
1)引入了额外的计算？
2)丢失的大部分不能恢复

为了在不损失速度的情况下追求更高的准确率，本文还研究了两条路径的融合和最终预测的精细化，并分别提出了特征融合模块(FFM)和注意力精化模块(ARM)。