[深度学习从入门到女装]Learning a Discriminative Feature Network for Semantic Segmentation

论文地址：Learning a Discriminative Feature Network for Semantic Segmentation

 

这是CVPR2018上的一篇poster，来自Face++

文中提出了一个encoder-decoder的网络框架Discriminative Feature Network (DFN)来进行语义分割

其中DFN包含两个子网络，Smooth Network用于解决intra-class inconsistency（类内矛盾，如Figure1第一行），Border Network用于解决inter-class indistinction（类间模糊，如Figure1第二行）

Smooth Network

intra-class inconsistency主要源于对于context的缺乏，因此本文提出了使用golbal average pooling来得到global context，但是global context只能得到叫高维的语义信息，对于恢复空间信息没有帮助。

所以本文又使用了多尺度感受野和context来修复空间信息。

Channel attention block:

相当于SENet中对于每个channel的权重进行学习，跟之前的权重学习的方法不同的情况在于，这个通道学习的过程使用的特征来自于低维和高维，将高低维的特征concate到一起，然后进行每个channel权重的学习，最后将这个权重乘到低维的特征上

 

Refinement residual block:

先使用1*1卷积将channel数增加到512，然后进行一个典型的residual block

Border network

在分割问题上，不同类别的物体会有相似的外表，尤其是当他们在空间上相邻的时候更难分割，因此需要加大特征的不同，在本文中就使用了semantic boundary来指导特征学习

这个网络就是对每个类别的边界进行分割，只得到分割出物体的边缘信息，训练样本是在GT上使用传统的边缘检测算法如canny得到的

loss：，其中pk为类别为k的概率

 

Network Architecture

最终网络结构就如图所示，分为两个部分：Smooth network用来得到语义分割的结果使用softmax loss，Border Network用于得到每个类别的边缘结果使用FocalLoss，最后两个loss使用权重相乘后相加是最终loss