Learning a Discriminative Feature Network for Semantic Segmentation_CVPR2018

创新点：特征区分网络，分为平滑网络（Smooth network）和边界网络（Border network），解决类内不连续（intra-class inconsistency）和类间模糊（inter-class indistinction）

 

 

平滑网络：

• 采用了RRB配合CAB的结构
• RRB实际上就是一个类似ResNet的残差结构
• CAB就是一个注意力机制机构，将高级特征和低级特征concat之后进行全局池化后和高级特征相乘得到注意力模型，最后再加上低级特征（注意这里输入的低级特征和高级特征size完全一样，网络先将低级特征进行了反卷积）

边界网络：

• 用focal loss做为网络监督，主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题，可以让大概率样本损失更小，小概率样本损失更大，迭代更快。

• 使用RRB设计了一个bottom-up结构，用来提升边缘的语义信息

实验结果：

Cityscapes

PASCAL VOC 2012