[深度学习从入门到女装]Data-Dependent Decoding Enables Flexible Feature Aggregation

论文地址：Decoders Matter for Semantic Segmentation:
Data-Dependent Decoding Enables Flexible Feature Aggregation

这是来自CVPR2019上一篇关于语义分割的论文，文章的改进就是使用了一个data-dependent upsampling(DUpsampling)模块来代替原本是上采样方式（如bilinear），给我的感觉，其实就是将super resolution reconstruction的方法用在了语义分割上来改进上采样

![在这里插入图片描述](https://img-blog.csdnimg.cn/201904
如上图所示，是传统的FCN框架下的语义分割方式，就是用一个encoder经过多次下采样得到更多的semantic信息，但是损失了spatial信息，然后使用上采样进行高分辨率分割图的重建
随后是DeepLab对这种方式的改进，就是使用dila conv代替下采样，能够保持一定的spatial信息，并且感受野不变，但是dila conv带来的后果，就是计算量过大

依据此，本文提出来了自己的语义分割结构

依旧使用和原本FCN差不多的结构，不使用dila conv，依旧使用多次下采样得到不同resolution的feature map，但是使用了几点进行改进

Datadependent Upsampling

整个模块如上图所示，F为需要进行上采样的feature map，R为进行上采样得到的结果，其中1* C经过C* N得到1* N的过程，可以通过11的卷积来得到，然后对1N的feature进行rearrange，得到2* 2* N/4的最终结果

Adaptive temperature Softmax

本文提到说，可能是因为W是来自于Y进行one-hot计算得到的，softmax和这个DUampling不合适，因此本文使用了一个temperature Softmax

这个T是可以通过自动学习得到的

Flexible Aggregation of Convolutional Features

对于之前的多层feature map结合的方式，基本上都是如下式所示

是对低分辨率的feature map采用upsamping，然后和高分辨率的feature map进行concate，这么做的目的也是为了进行了一部分上采样

但是本文提出，因为i使用了DUampling模块，上采样的过程可以完全在DUampling模块上完成，不需要再feature融合过程中进行上采样，因此本文可以放心的使用下采样进行feature的融合，如下式

就是对高分辨率的feature map采样dowmsampling，然后和低分辨率的feature map进行concate

参考：
https://www.cnblogs.com/lart/p/10527999.html
https://zhuanlan.zhihu.com/p/59044838