LEDNet发表于2019年5月，LEDNet采用的是非对称结构的网络来实现实时的语义分割。在编码阶段，编码器采用了resnet作为backbone，每个resnet block利用通道分离和shuffle操作来降低计算量的同时保证了准确率，另一方面，在解码阶段，采用注意力金字塔网络(APN)来进一步的降低整个网络的复杂性。
编码器的核心单元是一个新颖的残差模块(如图1.d所示。模块取名SS-bnt)，该模块利用跳跃连接以及通道split和shuffle的卷积。跳跃连接允许卷积学习有助于训练的残差函数，split and shuffle操作增强了通道间的信息交换，同时保持了与一维分解卷积相似的计算成本。在解码器中，作者设计了一个注意力金字塔网络（APN）来提取密集特征，而不是使用复杂的卷积[20]来提取密集特征，其中注意力机制用于估计每个像素的语义标签。
作者指出，根据参考文献21所指出，1x1卷积网络占据了大多数的计算资源，因此，在设计SS-bnt模块时，作者取消了1x1卷积，采用的是一维分解卷积（1x3，3x1）来代替。
为了降低计算复杂度，在每个SS-nbt开始的时候，输入被分离到两个低纬度的分支，每一个分支都获得了输入的一半通道数，为了避免1x1卷积，作者采用了专门的一维卷积（例如1x3，3x1），最后两个分支的卷积通过concatenate合并到一起，这样，输出和输入的通道数目就保证了一致。为了促进训练，输出还与上输入进行了相加，然后，利用了文献[21]的channel shuffle 操作，将输出进行channel shuffle 操作来保证两个分支之间的信息交流。这就是整个的SS-nbt模块，一个SS-nbt完成后，输出又作为下一个SS-nbt模块的输入。该模块不仅高效，而且保证了准确率。因为1.首先，每个SS-nbt的高效率使我们能够使用更多的特征通道2.在每个SS-nbt单元中，将两个分支组合起来的特征通道又进行了随机的shuffle操作，又被送人到下一个SS-nbt模块，这可以被事为是一种特征的重用，在某种程度上扩大了网络的表现能力，同时有没有显著的增加复杂性。
网络的模型图如图2所示。
网络中各个特征图大小以及空洞卷积率如图3所示。
作者针对于编码器中同样采取了下采样模块，下采样模块是2个3x3卷积外加一个Maxpooling层构成。
对于其解码模块，文中的解释不是很直观，大家可以结合网上的复现源码进行理解，就非常清楚了。在这里，我结合源码给大家阐述一下解码器部分的组成。
如图4所示，首先3，5，7分别是不同的卷积和大小，然后获取得到不同感受野尺寸，之后，在每个特征图下接一个卷积网络，输出通道数是类别数目，如图4中的黑色模块。接着紫色的模块是上采样，然后“+”是特征图之间逐元素的相加，绿色的特征图模块是通过逐元素相乘得到的，最右边采用全局池化来获得全局信息。
最后来展示一下LEDNet和其他网络的效果对比。
图5可以看出，LEDNet在精度上达到了最高的水准，同时在推理速度和网络模型大小方面也取得了不错的成绩。
