CVPR2020-图像超分辨率与语义分割结合，提升2-3个点 | Dual Super-Resolution Learning for Semantic Segmentation

图像超分辨其实可以帮助小目标检测与语义分割这些任务，本文提出的框架简单有效
Github地址：https://github.com/wanglixilinx/DSRL.

Abstract：

当前最先进的语义分割方法通常使用高分辨率输入来获得高性能，这带来了巨大的计算代价，并限制了它们在资源受限的设备上的应用。在本文中，我们提出了一个简单而灵活的双分支框架，称为双重超分辨率学习（DSRL），以有效提高分割精度，而不会引起额外的计算成本。具体来说，该方法包括三部分：语义分割超分辨率（SSSR），单图像超分辨率（SISR）和特征相似性（FA）模块，该模块可以保持低分辨率输入的高分辨率表示，同时减少模型的计算复杂度。而且，它可以容易地推广到其他任务，例如人体姿势估计。这种简单而有效的方法具有很强的代表性，并在语义分割和人体姿态估计方面都表现出了良好的前景。具体来说，对于CityScapes上的语义分割，我们可以在具有相似FLOPs的情况下将mIoU提高> = 2％，并在保持70％FLOPs的情况下保持性能。对于人体姿势估计，我们可以在相同的FLOPs情况下获得>=2％的mAP，并在FLOPs减少30％的情况下保持mAP。

Introduction：

现有语义分割算法主要采用两种方式来保持高分辨率表示。：
1）一通过使用空洞卷积来替换跨步卷积来保持高分辨率表示&#