语义分割

FCN

FCN的输出是粗糙的，不平滑的。其原因是由于使用卷积层向下采样32次，导致最终特征层的信息丢失,为了解决这个问题，本文还提出了另外两种架构FCN-16、FCN-8。在FCN-16中，来自前一个池化层的信息与最终的feature map一起使用，因此现在网络的任务是学习16x向上的采样，这比FCN-32更好。FCN-8试图通过包含来自前一个池层的信息来使它更好

 

U-Net

使用反卷积进行上采样，使用跳连弥补信息丢失

 

DeepLab

1.空洞卷积

2.ASPP

3.RCF

spp用于解决图像拉伸或者裁剪去统一图片的尺寸，但是会造成信息丢失，失真等问题，spp通过不同的池化范围扩大感受野，aspp通过不同的膨胀率扩大感受野

池化是一种有助于减少神经网络参数数量的操作，但它也带来了不变性。不变性是指神经网络不受输入中轻微平动的影响。由于pooling得到的这一特性，神经网络得到的分割输出是粗糙的，边界没有具体定义。

作者建议通过使用大型内核作为网络的一部分来实现这一点，从而实现密集的连接，从而获得更多的信息，为了减少参数的数量，一个kx k滤波器进一步分裂成1xk和kx1

Boundary Refinement block 

类似于Resnet中的剩余块，由一个快捷连接和一个剩余连接组成，将其相加得到结果

 

 

Global Convolution Network

建立的分类网络具有平移和旋转的不变性，因此不重视位置信息，而定位涉及到从位置得到精确的细节。因此，这两项任务在本质上是矛盾的。大多数分割算法更重视定位，如上图中的第二个，因此忽略了全局上下文

See More Than Once – KSAC for Semantic Segmentation

在ASPP中，不同的并行层之间没有信息共享，从而影响了每一层内核的泛化能力。此外，由于每一层都迎合不同的训练样本集(小对象对小氮率，大对象对大氮率)，因此每一平行层的数据量较少，从而影响整体的通用性。网络中的参数数量也会随着参数数量的增加而线性增加，从而导致过拟合。

为了解决这些问题，作者提出了一种新的网络结构，称为核共享Atrous卷积(KSAC)。从上图中可以看出，不是每个并行层都有一个不同的核，而是在每个并行层共享一个核，从而提高了网络的泛化能力

Learning Dy namic Routing for Semantic Segmentation

1.近年来，Neural Architecture Search (NAS)被广泛用于自动网络架构设计，使用NAS代替ASPP；Auto-DeepLab 使用启发式搜索或强化学习等方法构建网络。

2.动态网络是近年来计算机视觉领域的研究热点，传统的方法主要是通过删除块或裁剪通道来进行图像分类，本文提出了一种基于门控构建网络，以缓解输入之间的尺度差异。