1、介紹
語義分割通常有兩個問題：類內不一致性（同一物體分成兩類）和類間不確定性（不同物體分成同一類）。本文從宏觀角度，認為語義分割不是標記像素而是標記一個整體，提出了兩個結構解決這兩個問題，平滑網絡和邊界網絡（Smooth Network and Border Network）。平滑網絡用的是通道注意力塊（Channel Attention Block），來解決類內不一致性。邊界網絡集成了語義邊界損失。
2、相關工作
Encoder-Decoder：主要考慮如何恢復由於池化造成的空間信息損失，如 SegNet，U-net，Global Convolutional Network，LRR，Refinenet。這些方法只是把相鄰步驟的特征總和起來，沒有考慮多樣表現性
Global Context（全局上下文信息）：全局平均池化有很大的效果，如 ParseNet，PSPNet，Deeplabv3
Attention Module（注意力模塊）：注意力關注不同尺度信息，如 SENet
Semantic Boundary Detection（語義邊界檢測）：許多方法直接連接不同層的特征提取邊界，我們用了自下而上的結構來優化每一步的特征
3、網絡結構
平滑網絡：用了 global pool 以及通道注意力模塊和精細化殘差塊
邊界網絡：用傳統的 canny 邊緣檢測算法獲得邊界，損失函數用的 focal loss，為了平衡正負樣本，同時減少簡單樣本的損失，使網絡更易於訓練
整體網絡：用 deep supervision 對每一層的結果進行上采樣計算損失，除了全局池化層，平滑網絡用 softmax，邊界網絡用 focal loss，最后兩個加起來用一個平衡參數 L=L(s)+a*L(b)
4、訓練
優化器：SGD
batch size：32
動量：0.9
權重衰減：0.0001
學習率：4e-3
學習率衰減：（1-iter/maxiter）^0.9
損失函數比例a：0.1（驗證集上效果最好）
數據擴增：減去均值，隨機水平翻轉，隨機縮放
5、看完其實並不太懂具體的實現，只能是知道一個大概的結構，具體的實現結構可以參考github：https://github.com/YuhuiMa/DFN-tensorflow
Border Network主要用於計算 loss 更新權重，