技术流派：FCN改进
简称：DFN
来源：CVPR2018
效果： state-of-art，86.2% mean IOU on PASCAL VOC 2012、82.7% without pertrained， 80.3% mean IOU on Cityscapes dataset
对比：FCN、PSPNet、RefineNet+、ResNet-38+等
速度：未知
代码框架：tensorflow
trick：基于Res-101，多种论文提到的策略，加入了flip后的样本
https://arxiv.org/pdf/1804.09337.pdf
https://github.com/YuhuiMa/DFN-tensorflow
问题：特征提取时的类内不一致性以及类间相似性。基于FCN改进。
Discriminative Feature Network，分两部分：
类间相似，如相连的patch来自不同类但是内容相似：Border Network.
->[24,40,6,30]认为一个dense recognition 问题，不解决此问题。
->训练过程中整合语义边界损失，使类间不同。
类内不同，部分不相同：Smooth Network.
->由于需要提取多规模特征，有的规模标签可能出错，因此需要合理选择特征。
->U-shape[30,19,31,11,36]提取多规模上下文信息+global average pooling[21,24,40,6]
->CAB,高级特征选择低级特征。
Related work:
1,编码-解码
FCN自带多规模特征的编码，经过pooling和stride convolution 因此有许多方法整合：
->SegNet [1] 保存pool索引，恢复.
->U-net [31] skip connection,
->Global Convolutional Network [30] 大尺寸的核.
->LRR [11] adds the Laplacian Pyramid Reconstruction network
->RefineNet [19] utilizes multipath refinement network
缺点：忽略了global context; 多数只考虑相邻阶段的特征，没有不同表示；
2.Global-context
->ParseNet [24] firstly applies global average pooling in the semantic segmentation task.
->PSPNet [40] and Deeplab v3 [6] respectively extend it to the Spatial Pyramid Pooling [13] and Atrous Spatial Pyramid Pooling [5]
缺点：两种方法用atrous convolution [5, 38]，采用8次降采样，费时费内存。
3.注意力模型
->最近在DNN中有用[28, 33, 16, 3]。
->方法 [7] 注意不同尺度的特征。
这里我们用注意力选择channel，得到和SENet [16]相似的特征。
4.Semantic Boundary Detection （边界检测）
->boundary detection[39, 36, 37, 25]
多数方法直接连接不同等级的特征。
目标是获得类间差别尽可能准确的边界监督。设计了一个自下而上的结构来优化每个阶段的特征。
Method:
类内不相似：主要是因为丢失空间信息。采用Global pooling获取全局信息，但是只有高级信息。高级信息有更好的上下文和语义信息，低级有更好的spatial predictions。
*语义分割两大体系：
“Backbone-Style”，PSPNet [40], Deeplab v3 [6]，嵌入不同规模的上下文信息，以提高与Pyramid Spatial Pooling module [13] or Atrous Spatial
Pyramid Pooling module [5].的网络一致性
“EncoderDecoder-Style”, like RefineNet [19], Global Convolutional Network [30]，不同阶段的内在多尺度语境，但缺乏一致性最强的全局语境。当网络结合了相邻阶段的特征时，它只是通过信道来总结这些特征。这种操作忽略了不同阶段的多样性一致性。
为了弥补缺陷，我们首先嵌入全局平均池层（24）以将U形结构（27, 36）扩展到V形状的体系结构。引入全局平均池层，引入最强一致性约束作为指导。此外，为了增强一致性，我们设计了一个信道关注块，如图2（c）所示。该设计结合相邻阶段的特征来计算信道关注向量3（b）。高阶特征提供了强一致性的指导，而低阶特征给出了特征不同的判别信息。通过这种方式，信道注意向量可以选择判别特征。
类间相关：容易混淆具有相似特征的不同物体，因此需要放大不同类物体的差异。我们训练一个自下而上的语义边界网络，同时从低级获取准确的边界信息，从高级获取语义信息，消除边缘缺乏语义信息的特点，高阶段语义信息帮助细化边缘信息。
用focal loss 调整正负样本数不均衡的问题。