BiSeNet：用于实时语义分割的双向分割网络

目录

一、Title

二、Journal

三、Background

四、Model

五、Experiments

Experiment 1

Experiment 2

Experiment 3

Experiment 4

Experiment 5

论文阅读时间：2021-4-21 10:45:39

---

一、Title

BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation

---

二、Journal

2018 Europeon Conference on Computer Vision

---

三、Background

实时语义分割主要有以下三种加速模型的主要方式（如图a所示，牺牲精度来提高速度）：

1）通过resize或crop限制输入尺寸，来降低计算复杂度。这种方式虽然简单有效，但是会造成spatial details（空间细节）的丢失，尤其会破坏边界附近的预测。

2）减少通道数量来提高前向速度。这种方式弱化了spatial capacity（空间容量）。

3）放弃模型的最后stage，以追求一个非常紧凑的框架。如ENet。这种方式对于大目标来说感受野不够大，会导致判别能力较差。

为了弥补spatial details的丢失采用U型结构（如图b所示）：

这种结构的缺点在于：

1）U-shape结构在高分辨率特征图上引入额外的计算，会降低模型速度。

2）被pruning或cropping丢失掉的spatial information，无法通过引入浅层修复。

---

四、Model

1、Spatial Path

2、Context Path：先使用Xception快速下采样，后接全局pooling（下方白色小方块）。使用ARM，用于refine特征。上采样（双线性插值）到spatial path分支。

3、Feature Fusion Module：对细节特征和语义特征进行拼接，使用类似senet结构对信息进行整合。

---

五、Experiments

Experiment 1

Experiment 2

Experiment 3

Experiment 4

Experiment 5

---

论文阅读时间：2021-4-21 10:45:39