论文笔记：图像分割——ExFuse & DFN

① ExFuse: Enhancing Feature Fusion for Semantic Segmentation

② Learning a Discriminative Feature Network for Semantic Segmentation

宏观角度看待分割问题

微观角度（以像素为单位）：每一个像素都对应一个具体类别

宏观角度（以每一个类为单位）：将语义分割看做一个任务，将一致的语义标签分配给一类事物，而不是每个像素。按照这一角度，语义分割中就会存在类间不一致和类内不一致的问题。

SLAM 同步定位与建图：也称CML 即时定位与地图构建/ 并发建图与定位
把一个机器人放入未知环境中的未知位置，是否有办法让机器人一边移动一遍逐步描绘出此环境完全的地图。完全的地图是指不受障碍行进到房间可进入的每个角落。SLAM的意义就是实现机器人的自主定位和导航

论文结构

摘要——introduction——related work——approach——experience——conclusion——reference

一、摘要核心

① ExFuse

背景介绍： 现代语义分割框架通常使用特征融合的方式提升性能，但由于高级特征和低级特征之间存在差距，直接融合的效果并不是很好。
文章思想： 在低层特征中引入语义信息，在高层特征中引入细节信息后会使后续融合更有效。
文章亮点： 提出了ExFuse，用来弥补高低层之间的差距
模型评估： 在PASCAL VOC 2012数据集中得到87.9%的MLoU

② DFN

背景介绍： 现代语义分割算法会存在类内不一致和类间不一致的问题
算法组成： 提出了DFN网络，包括平滑网络和边界网络两部分
具体作用： 平滑网络用于解决类内不一致，通过引入注意力机制和全局平均池化选择更具代表性的特征；边界网络通过深度语义边界监督更好的区分双边特征
模型评估： 在PASCAL VOC 2012和Cityscapes数据集中得到了86.2%和80.3%的MIoU

二、引言和相关工作

① ExFuse 引言

1. 现有主流分割框架的问题及相应解决方法
   问题： 不加特征融合，恢复分辨率的时候效果不好
   解决方案：使用U-Net的U型结构特征融合

2. 详细说明本文思想

【低级特征 VS 高级特征】
低级特征是从神经网络的浅层获得的，富含空间信息比较多，空间信息分辨率比较高，所以高分辨率的特征=低级特征

高级特征是从神经网络的深层提取的特征，含语义信息比较多，这些高语义化的特征的分辨率比较多。