RefineNet论文理解

RefineNet block的作用是把不同分辨率的特征图融合。

除了RefineNet-4是单输入，其他全是二输入。主要组成部分是Residual convolution uint(RCU)、Multi-resolution fusion、Chained residual pooling、Output  convolutions.

RCU：是从残差网络中提取出来的单元结构
Multi-resolution fusion：是先对多输入的特征图都用一个卷积层进行自适应(都化到最小的特征图的尺寸大小)，再上采样，最后做element-wise 的相加。如果是像RefineNet-4 的单输入block 这一部分就不用了。
Chained residual pooling：卷积层作为之后加权求和的权重，relu 对接下来池化的有效性很重要，而且使得模型对学习率的变化没这么敏感。这个链式结构能从很大范围区域上获取背景context。另外，这个结构中大量使用了identity mapping 这样的连接，无论长距离或者短距离的，这样的结构允许梯度从一个block 直接向其他任一block 传播。
Output convolutions：输出前再加一个RCU。