总结 分割论文

分割网络： (骨干网络) (ResNet（2015）(残差网络))（加深网络深度）Deeplab V2（2016）  ：(空洞卷积)(atrous)扩大感受野大，采用ASPP空洞空间金字塔池化，实现多尺度融合 。

 

VGG16（2014）: 三个3x3卷积核代替一个7x7的。

FCN（2015） ： 反卷积，跳跃连接，全卷积化

PSPNet（2016）：ResNet+金字塔池化模块(整合上下文信息)

 

常用技术：

CRF：　　迭代细化结果;

　　　　　条件随机场CRF尝试找到图像像素之间的关系 : 相近的像素大概率为同一标签；CRF考虑在一个像素点标签分配概率；

 

(空洞卷积)(atrous): 　　不丢失分辨率的情况下 扩大感受野大；不同空洞率有不同的感受野大小，捕获多尺度上下文信息

　　　　　　　　　　空洞卷积gridding问题：其实就是网格效应/棋盘问题：　局部信息丢失；　远距离获取的信息没有相关性　　　　　　　　　　　　　　　　　　　　　　　　  　　　　　　    　　　　　　三种解决方法：Removing max pooling；Adding layers；Removing residual connections

池化：扩大感受野，降低分辨率，丢失空间信息　　

上采样：二次线性插值　

1x1卷积核：降维（降低或增加通道数），重新整合信息，增加非线性

 

现有方法：

AdaptSegNet (2018) : 最后两层网络DA（多级对抗）；Deeplab V2 分割；GAN；输出具有结构化；不同域之间的特征对齐；

　　　　问题：难自适应的物体难对齐  

　　　　　研究方向：降低域漂移

　　　　基于特征的自适应

 

CLAN（2019）：解决GAN全局对齐造成的负迁移问题；

　　　　　　方法：局部对齐分数图(不同局部对齐分数给予不同权重)

 

 

DAST（2020）：(两级DA)判别器注意力机制+自训练    （目的：提高难对齐的特征的对齐精度）

　　　　　　　　　　判别器注意力机制(发现和矫正)：两个阶段对抗学习：找出对齐不好的特征(形成注意力图)；让模型注重对齐不好的特征(重新加权)

　　　　　　　　　　(微调分割网络)　自训练：因为分割网络的决策边界会偏向S，所以自训练是为了促进域不变特性的提取，自适应的为T改善决策边界；