实时网络边缘计算网络介绍

现有问题

1.对高分辨率特征映射的操作在u形结构中消耗了大量的时间。
2.通过降低图像分辨率来达到实时
尽管这些方法看起来很有效，但它们很容易丢失边界和小对象周围的空间细节。此外，浅层网络削弱了特征推理能力。

方法

对于实时推理，我们采用轻量级骨干网模型，研究如何在有限的计算量下提高分割性能。
我们在模型中部署了两种策略来实现跨级别的功能聚合。首先，我们重用从主干中提取的高层特征，以弥合语义信息和结构细节之间的鸿沟。其次，结合网络体系结构处理路径中不同阶段的特征，增强特征表示能力。

具体来说，我们复制轻量级主干来验证我们的特性聚合方法。我们提出的深度特征聚合网络（dfanet）包含三个部分：轻量级主干网、子网聚合和子级聚合模块。由于可分离反褶积被证明是实时推理中最有效的运算之一，我们修改了作为骨干结构的反褶积网络。为了追求更好的调节，我们在骨架的尾部追加一个完全连接的注意模块，以保留最大接收域。子网聚合的重点是将前一骨干网的高级特征映射向下一骨干网的输入进行上采样，以细化预测结果。从另一个角度看，子网络聚合可以看作是像素分类的一个由粗到细的过程。子阶段聚合通过“粗”部分和“细”部分组装相应阶段之间的特征表示。它通过将具有相同维度的层组合在一起，提供接收场和高维结构细节。在这三个模块之后，采用卷积运算和双线性上采样运算相结合的微解码器，将各个阶段的输出进行组合，产生粗到细的分割结果。