face++ eccv2008的paper,主要提出bisenet，用于实时语义分割。感觉写的还是蛮不错的，结构清晰，通俗易懂。自己需要学习的是怎么说这个story，怎么create出创新点，其实架构很简单，但是说的特别好，为什么要这么做，还给了每一个部分起了一个好title.主要设计了BiSeNet,其中spatial path 负责保留空间信息并且生成高分辨率特征（三个卷积），context path 获取足够的感受野（用了快速的下采样，用FFM模块（feature fusion module)对特征进行融合，还add了类似与senet的注意力机制对特征进行加权。该网络在titian xp 上105FPS 且MIOU为0.684（cityscape数据集）。
首先，先介绍了现有加速的方法：1.crop或者resize图片 2. 减少特征通道数，尤其在网络的早期3.丢弃网络的最后阶段（ENet)，使模型变得紧凑。三种方式的缺点如下 1.损失了空间细节，特别是边缘 2.弱化了空间信息 3. 少了最后阶段的下采样，感受野变小，影响大物体的分割（对自己来说特别重要）这些方法为了速度牺牲了acc,在实际中处于劣势。为了弥补空间信息，u-shape结构被提出来，粗暴的对特征进行融合。但是这种方法计算太慢而且不能还原通过剪裁和resize的空间信息。so,还是我家提出的BiSeNet好。
main contribution:
Spatial Path
在语义分割任务中，空间分辨率和感受野很难两全，尤其是在实时语义分割的情况下，现有方法通常是利用小的输入图像或者轻量主干模型实现加速。但是小图像相较于原图像缺失了很多空间信息，而轻量级模型则由于裁剪通道而损害了空间信息。
本文提出 Spatial Path来保留原输入图像的空间尺度，并编码丰富的空间信息。Spatial Path为三个(stride为 2 的卷积+bn+ ReLU)。因此，该path输出的feature map为原图像 1/8 。其含有丰富的空间信息due to 巨大的size。
Context path
用来获取足够的感受野，在语义分割中，感受野十分重要，现有的增大感受野的方式 pyramid pooling, atrous spatial pyramid pooling,large kernel等，消耗内存和计算，降低速度。
Context path 通过初始化轻量模型与global average pooling 来提供大的感受野并加速。轻量模型（xception) 快速下采样。全局均匀池化，获取全局语义信息。然后借鉴unet，融合最后两个阶段的语义信息。
还添加了特征优化模块Attention refinement module（就是senet的特征加权）
Network architecture
Context path用的是xception39,Spatial Path用的是三层卷积。用FFM来融合。具体结构如上图所示。FFM不是简单的特征相加，是先concacte,然后bn，在后类似与senet reweight特征。
损失函数：有辅助损失 两个辅助损失和一个主损失，用参数 α来平衡。辅助损失在Context path模块的两个出口那里。都是softmax。
实现细节
(SGD)batch size 16, momentum 0.9 and weight decay 1e −4“poly” learning rate strategy power 0.9. The initial learning rate is 2.5e .
Data augmentation: mean subtraction, random horizontal flip
and random scale on the input images to augment the dataset in training process.
The scales contains { 0.75, 1.0, 1.5, 1.75, 2.0}. Finally, we randomly crop the
image into fix size for training.
experiment：
采用改版的 Xception39（不知道改哪里了，据说code会公开），并在 Cityscapes，CamVid 和 COCO-Stuff 三个数据集进行评估。具体实验结果就不一一列出。
给自己的思考：
自己是个二分类问题，然后道路占比又大，属于大物体，那么自己crop的时候是否要注意，最好能够cover整个道路，然后，感受野确实也要大。没有小物体，所以，特征融合模块估计不太需要。
