论文主要要点记录《BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation》

摘要：

1. 为了获取语义信息而丢失了底层细节信息，提出细节获取和语义信息分开获取。
2. 较浅的网络层获取细节信息，较深的网络层获取语义信息
3. 融合层融合特征表示
4. 提出助推器训练策略booster training

介绍

1. 现在的语义分割主要采用两种策略：

• 基于空洞卷积的，并且摈弃下采样操作：具有较大的计算量和内存占用
• 基于编码器解码器结构，采用自顶向下和横向连接，恢复高分辨率特征图，这些跳连接对于内存的访问成本较高

2. 语义分支可以通过快速的下采样策略以及较少的通道变得轻量级，基于深度卷积，增强接收域捕获丰富的上下文信息

3. 使用带有一系列辅助预测头的增强训练策略增强推理性能，在推理阶段不会被使用

相关背景

1. 传统的分割方法基于阈值选择(Otsu,1979)、区域增长(Vincent and Soille,1991)、超像素(Ren and Malik,2003;Achanta et al.，2012;Van den Bergh et al.，2012)和图(Boykov and Jolly,2001;Rother et al.，2004)算法，采用手工制作的特征来解决这一问题。最近，基于FCN的新一代算法(Long et al.，2015;Shelhamer等人，2017)在不同的基准上不断提高最先进的性能。各种方法都是基于两种类型的骨干网:(1)扩张骨干网;(2) encoder-decoder骨干网络。
2. 一方面，扩张主干去除下采样操作，上采样卷积滤波器以保持高分辨率的特征表示。由于扩张卷积的简单性，各种方法(Chen et al.，2015,2018;Zhao et al.，2017;Wang et al.，2018