1、介绍
语义分割通常有两个问题：类内不一致性（同一物体分成两类）和类间不确定性（不同物体分成同一类）。本文从宏观角度，认为语义分割不是标记像素而是标记一个整体，提出了两个结构解决这两个问题，平滑网络和边界网络（Smooth Network and Border Network）。平滑网络用的是通道注意力块（Channel Attention Block），来解决类内不一致性。边界网络集成了语义边界损失。
2、相关工作
Encoder-Decoder：主要考虑如何恢复由于池化造成的空间信息损失，如 SegNet，U-net，Global Convolutional Network，LRR，Refinenet。这些方法只是把相邻步骤的特征总和起来，没有考虑多样表现性
Global Context（全局上下文信息）：全局平均池化有很大的效果，如 ParseNet，PSPNet，Deeplabv3
Attention Module（注意力模块）：注意力关注不同尺度信息，如 SENet
Semantic Boundary Detection（语义边界检测）：许多方法直接连接不同层的特征提取边界，我们用了自下而上的结构来优化每一步的特征
3、网络结构
平滑网络：用了 global pool 以及通道注意力模块和精细化残差块
边界网络：用传统的 canny 边缘检测算法获得边界，损失函数用的 focal loss，为了平衡正负样本，同时减少简单样本的损失，使网络更易于训练
整体网络：用 deep supervision 对每一层的结果进行上采样计算损失，除了全局池化层，平滑网络用 softmax，边界网络用 focal loss，最后两个加起来用一个平衡参数 L=L(s)+a*L(b)
4、训练
优化器：SGD
batch size：32
动量：0.9
权重衰减：0.0001
学习率：4e-3
学习率衰减：（1-iter/maxiter）^0.9
损失函数比例a：0.1（验证集上效果最好）
数据扩增：减去均值，随机水平翻转，随机缩放
5、看完其实并不太懂具体的实现，只能是知道一个大概的结构，具体的实现结构可以参考github：https://github.com/YuhuiMa/DFN-tensorflow
Border Network主要用于计算 loss 更新权重，
