RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation

还是来自Chunhua Shen组的文章 代码：https://github.com/guosheng/refinenet/
文章：https://arxiv.org/pdf/1611.06612.pdf

一句话总结

作者认为Deconv 不能很好的还原下采样带来的损失，Atrous conv计算量太大而且显存占用多，于是就提出了使用不同size的feature map来融合得到最终high-resolution的feature map的RefineNet。

作者令人发指的刷了7个库

1 RefineNet 结构

首先是多种尺度的feature maps输入，经过两个RCU，RCU的结构如上图，之后各自通过3x3的卷积及上采样求sum，然后跟一个chained residual pooling，这里的chained residual pooling中每个pooling之后都会跟一个卷积，而且保持residual connection，在整个pooling之前先经过一个relu层，作者认为relu可以有利于之后的maxpooling而且对于学习率更加不敏感，网络的最后又经过了一个rcu。

2 multi-path refinement

如上图，多输入即ResNet的多种size的feature的输入，采用级联的形式，下面是三种变种：

3 experiments

作者并没有详细的各部分的ablation结果，试验设置及实施情况，想要了解更多需要看其代码了。