少有人走的路模型
说明
图a）代表的是标准的CNN结构
图b）代表的是带孔卷积dilated convolutions
图c）代表的是RefineNet的思路
每一个小模块是一个RefineNet
融合了不同尺度下的RefineNet结果
最终upsample到原图的1/4大小
每一个RefineNet是多个残差模块作为输入
RefineNet-4的filter个数为512
其他残差模块的filter个数为256
每一个基础模型中的输出，进行两次残差计算RCU模块
每一个RCU输出结果，都经过Multi-resolution Fusion模块
3x3conv+upsample，上采样到该层最大的分辨率
将不同的输入进行求和
上一层融合的结果进行CRP模块【默认采用2个pool层】
经过一次ReLU非线性激活
证明该操作对于后面的pool操作非常有用
使得模型对于学习率变的没有那么敏感了
该操作没有是的网络的梯度传递变的效率低
经过3次pool+conv然后sum融合操作
每一次pool为上一层pool+conv的结果
pool操作的步长为1
注：CRP模块的作用：能够捕获背景纹理
最后接一个RCU模块【残差模块】作为输出
RefineNet-1中在softmax之前，采用了2个RCU模块作为输出
不同的网络结构
效果
VOC数据集上的效果
其他数据集效果
总结
本文提出了一种multi-path refinement的网络结构，通过long-range和short-range的残差模型的多层连接，能够将high-level semantics和low-level features有效的融合映射到原图高分辨的分割信息上。
参考文献
https://arxiv.org/abs/1611.06612
————————————————
版权声明：本文为CSDN博主「leo_whz」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/whz1861/article/details/79118485
